Fomperosa Briz Maria Fatima

FACULTAD
DE
CIENCIAS
CAOS EN SISTEMAS
DINÁMICOS DISCRETOS
(Chaos in discrete dynamical systems)
Trabajo de fin de Grado

para acceder al
GRADO EN MATEMÁTICAS
Autora: Marı́a Fátima Fomperosa Briz

Director: Luis Alberto Fernández Fernández
Octubre-2017
.
Índice general
1. Introducción 5
2. Caos en sistemas dinámicos discretos 10

2.1. Definiciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2. Algunos teoremas importantes . . . . . . . . . . . . . . . . . . 11
2.3. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4. Definición de función caótica . . . . . . . . . . . . . . . . . . . 14
2.5. Periodo 3 implica caos . . . . . . . . . . . . . . . . . . . . . . 17
3. Estudio de algunos sistemas dinámicos discretos 31

3.1. Ecuación logı́stica . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2. Tent map . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4. Control del Caos 45
A. Propiedades del sistema de Lorenz 52
B. El teorema de Euler 55
C. Los números diádicos 57
D. Código Matlab para control del caos 58
2
3
Resumen.
La teorı́a del caos es una rama de las matemáticas que estudia sistemas
dinámicos con unas caracterı́sticas muy especiales. A pesar de que están da-
dos por ecuaciones deterministas su comportamiento no se puede predecir a
largo plazo porque cambios muy pequeños en las condiciones iniciales hacen
que sus soluciones (inicialmente muy próximas) diverjan al cabo de cierto
tiempo, aunque sin salirse nunca de un determinado rango de valores. Su es-
tudio comenzó con el artı́culo “Deterministic nonperiodic flow”, escrito por
E. Lorenz en 1963. A dı́a de hoy continua siendo un campo de investigación
abierto, con aplicaciones interesantes a otras ramas de la ciencia.
En este trabajo nos vamos a centrar en sistemas dinámicos discretos que
presentan comportamiento caótico. En primer lugar daremos dos definicio-
nes de función caótica: la dada por Li y Yorke en 1975 y posteriormente la
formulada por Devaney en 1989. A continuación enunciaremos y demostrare-
mos el famoso teorema “Periodo tres implica caos”, probado por Li y Yorke
en 1975. Se trata de un resultado fundamental en el estudio del caos y es
de gran utilidad a la hora de determinar si una función presenta comporta-
miento caótico. Después pasaremos a estudiar dos sistemas caóticos discretos
clásicos: la ecuación logı́stica y el “tent map”. Por último veremos que sor-
prendentemente existen técnicas para controlar ciertos sistemas caóticos, lo
cual tiene aplicaciones útiles en otras ramas de la ciencia, y presentaremos
uno de ellas mediante un ejemplo.
Palabras clave: función caótica, sistemas dinámicos discretos, sensibili-
dad de la solución con respecto de las condiciones iniciales, puntos periódicos,
estabilidad.
4
Abstract.
Chaos theory is a branch of mathematics that studies dynamic systems
with some very special characteristics. Although they are given by determi-
nistic equations their behavior can not be predicted at long term, because
very small changes in the initial conditions make that the solutions (initially
very close) diverge after a certain time, although they never leave a certain
range of values. His study began with the paper “Deterministic nonperiodic
flow”written by E.Lorenz in 1963. Nowadays, it continues to be an open field
of research with interesting applications to other branches of science.
In this work we will focus on discrete dynamical systems with chaotic beha-
vior. First we will give two definitions of chaotic function: the one given by Li
and Yorke in 1975 and later the one formulated by Devaney in 1989. Next, we
will state and demonstrate the famous theorem “Period three implies chaos”,
proved by Li and Yorke in 1975. It is a fundamental result in the study of
chaos and is very useful in determining whether a function exhibits chaotic
behavior. Then we will study two classical discrete chaotic systems: the lo-
gistic equation and the tent map. Finally we will see that surprisingly there
are techniques to control some chaotic systems, which has useful applications
in other branches of science, and we will introduce one example of them.
Key words: chaotic function, discrete dynamical systems, sensibility of
the solution with respect to the initial conditions, periodic points, stability.
Capı́tulo 1
Introducción
El término caos siempre ha tenido connotaciones negativas en el lengua-

je ordinario. Si buscamos la palabra en el diccionario, vemos que lo define
como “desorden o confusión absolutos”. Sin embargo, este uso no tiene nada
que ver con su significado en el contexto matemático. Para comprender el
concepto de caos dentro de las Matemáticas y a qué se dedica la Teorı́a del
Caos, nos remontaremos a sus orı́genes (ver [1]).
En el año 1963, Edward Lorenz, meteorólogo del MIT (Massachusetts Ins-
titute of Technology), estudiaba un sistema de ecuaciones diferenciales or-
dinarias que trataba de predecir el movimiento de las nubes a partir de un
intercambio de calor efectuado entre la biosfera terrestre y el resto de las ca-
pas atmosféricas. La computadora con la que contaba Lorenz procesaba datos
a una velocidad muy lenta, por lo tanto decidió intentar ahorrar tiempo de
computación y para ello introdujo datos previamente calculados, queriendo
comprobar los resultados. Sin embargo, los resultados que obtuvo en esta
nueva computación diferı́an completamente de los que ya estaban calcula-
dos. Al principio creyó que se trataba de un error, pero al observar más
detenidamente se dio cuenta de que al introducir manualmente las condicio-
nes iniciales habı́a omitido cifras decimales. Al iterarse la función con esta
pequeña variación inicial, se obtenı́an unos cambios radicales en las solucio-
nes.
A raı́z de este descubrimiento, Lorenz escribió el artı́culo “Deterministic Non-
periodic Flow” para la revista Journal of the Atmospheric Sciences (ver [2]).
En él sentaba las bases de lo que se conocerı́a posteriormente como “Teorı́a
del Caos”.
Ası́ pues, ya podemos definir la Teorı́a del Caos como una rama de las ma-
temáticas que se dedica al estudio de sistemas sensibles a pequeños cambios
de las condiciones iniciales. Como idea intuitiva, Lorenz acuñó el término
“Efecto mariposa”, según el cual el aleteo de una mariposa en Brasil pue-
5
6
de provocar un tornado en Tejas. Desde luego, esto no puede entenderse de

forma literal, sino que se trata de una forma de ilustrar la idea de que va-
riaciones muy pequeñas en las condiciones de un sistema pueden provocar
grandes cambios en los resultados a largo plazo. Por lo tanto, una caracterı́sti-
ca de un sistema caótico es que no se puede predecir su comportamiento a
largo plazo. Sin embargo, a lo largo del trabajo veremos que esto no implica
un comportamiento al azar, sino que datos que parecen generados de forma
aleatoria en realidad vienen dados por un proceso ordenado y determinista.
Para ilustrar esto, presentaremos a continuación las ecuaciones diferenciales
ordinarias del sistema de Lorenz y una representación gráfica de sus solucio-
nes para determinadas condiciones iniciales.
El sistema de Lorenz
Lo presentaremos como hizo Lorenz en [2]. Se trata de un sistema autóno-
mo no lineal de ecuaciones diferenciales ordinarias dado por:
 0
 x (t) = σ(y(t) − x(t))
y 0 (t) = rx(t) − y(t) − x(t)z(t) (1.1)
0
z(t) = x(t)y(t) − bz(t)

donde σ > 0, r > 0, b > 0 son parámetros.

Las variables a las que Lorenz se refiere en su sistema son:
x que es proporcional a la intensidad del movimiento convectivo.
y que es proporcional a la diferencia de temperatura entre las corrientes
ascendentes y descendentes.
z que es proporcional a la distorsión de la temperatura vertical respecto del
valor de equilibrio.
A continuación vamos a presentar las soluciones numéricas del sistema usando
para los parámetros los mismos valores con los que Lorenz realizó su estudio:
σ = 10, r = 28, b = 8/3.
7
En azul la solución de x para condición inicial (x0 , y0 , z0 ) = (7, 7, 7). En verde,

solución de x para condición inicial (x0 , y0 , z0 ) = (7,001, 7, 7)
Como podemos observar en la gráficas, en un principio las soluciones con

distintas condiciones iniciales coinciden, pero a medida que el tiempo avanza
los resultados comienzan a diferir hasta alcanzar valores opuestos. A esto
se debe que las previsiones meteorólogicas sean válidas solamente para unos
pocos dı́as y no para largos periodos de tiempo.
Si visualizamos la solución como una trayectoria en el espacio tridimensional
(x(t), y(t), z(t)) obtenemos la siguiente figura.
8
Atractor de Lorenz representado sobre el plano xz
Si observamos la figura, podemos ver que las trayectorias se mueven en espira-

les alrededor de dos puntos del espacio, sin salirse nunca de una determinada
región. También parece que hay una relación de simetrı́a entre las soluciones.
Esta figura recibe el nombre de atractor de Lorenz y presenta una forma pa-
recida a la de una mariposa. De ahı́ viene el nombre tan conocido de Efecto
mariposa. Otras propiedades interesantes del sistema se estudian en el Anexo
I.
Como acabamos de ver, Lorenz estudió el comportamiento caótico de un

sistema continuo de ecuaciones diferenciales ordinarias. En este trabajo lo
que vamos a hacer es estudiar el caos para sistemas discretos. De hecho uti-
lizando aproximación por diferencias finitas se puede pasar de un modelo
continuo a uno discreto. Vamos a presentar como ejemplo la ecuación logı́sti-
ca, cuyo comportamiento estudiaremos más adelante (ver Capı́tulo 3).
Se trata de un modelo continuo que aparece al estudiar el crecimiento de
poblaciones y viene dado por la ecuación diferencial
dy
= ky(1 − y).
dt
9
Vamos a ver cómo pasar de este modelo continuo al discreto. Para ello utili-
zaremos el método de Euler con paso ∆t = tn+1 − tn :
yn+1 − yn
= kyn (1 − yn ) ⇒ yn+1 = yn (1 + k∆t − k∆tyn ).
∆t
k∆t
Si definimos xn = yn y r = 1 + k∆t nos queda que
1 + k∆t
k∆t
xn+1 = yn (1 + k∆t − k∆tyn ) = rxn (1 − xn )
1 + k∆t
y ası́ hemos obtenido la ecuación logı́stica en su forma discreta.
En el presente trabajo vamos a centrarnos en el estudio de sistemas dinámi-

cos discretos que presentan comportamiento caótico. En el capı́tulo 2 nos
dedicaremos a la parte teórica del estudio del caos. En primer lugar presen-
taremos definiciones y teoremas bien conocidos y que necesitaremos a lo largo
del trabajo. También presentaremos el concepto de estabilidad y un método
sencillo para comprobar si una solución es estable. Después formularemos dos
definiciones de función caótica, ambas muy utilizadas en los estudios sobre
el caos. Por último enunciaremos el teorema de Li y Yorke conocido como
“Periodo tres implica caos”, y analizaremos su demostración.
En el capı́tulo 3 pasaremos a estudiar las propiedades de dos sistemas dinámi-
cos clásicos. El primero será la ecuación logı́stica en su forma discreta: estu-
diaremos su estabilidad y veremos que a partir de un determinado valor de su
parámetro es caótica en el sentido de Li y Yorke. A continuación realizaremos
el mismo estudio para el “tent map probaremos de forma explı́cita que es
2
caótico en el sentido de Devaney.

En el último capı́tulo presentaremos un campo que puede resultar muy sor-
prendente y útil: el control del caos. Daremos un método para controlar el
comportamiento de sistemas caóticos unidimensionales y veremos un ejemplo
que lo ilustre.
Capı́tulo 2
Caos en sistemas dinámicos

discretos
2.1. Definiciones
Para comenzar vamos a dar una serie de definiciones de conceptos que
manejaremos durante todo el trabajo.
En todo lo que sigue tomaremos I ⊂ R un intervalo compacto, x ∈ I y
f : I −→ I una función continua.
Denotaremos por f n (x) la composición de f consigo misma n veces, ∀n ∈ N,
es decir, f n (x) = f (f n−1 (x)). Por ejemplo, f 2 (x) = f (f (x)).
Definición 2.1.1 1. La órbita de x, a la que denotaremos como O(x),

es la sucesión {xn } con x0 = x, x1 = f (x),..., xn = f n (x).
2. x es un punto fijo de f si x = f (x).
3. x es un punto de periodo n para f si x = f n (x) y x 6= f k (x) para

1 ≤ k < n.
4. Se dice que x es un punto periódico para f si es un punto de periodo

n para algún n.
5. Un p-ciclo de f es un conjunto de p elementos {a1 , ..., ap } tales que
f (a1 ) = a2 , f (a2 ) = a3 , ..., f (ap ) = a1 .
10
11
2.2. Algunos teoremas importantes

A continuación vamos a enunciar una serie de teoremas muy conocidos y
vistos a lo largo del Grado en Matemáticas, que nos serán de utilidad en este
trabajo.
Teorema 2.2.1 (Teorema del Valor Medio para funciones continuas, [13])
Si f es continua en [a, b] y si r ∈ (f (a), f (b)), existe al menos un c ∈ (a, b)
tal que f (c) = r.
Teorema 2.2.2 (Teorema del Punto Fijo)
Sea f : I −→ R continua. Sea I un intervalo compacto y supongamos f :
I → R tal que I ⊂ f (I).
Entonces existe un punto p ∈ I tal que f (p) = p.
Demostración: Sea I = [a, b] y como [a, b] ⊂ f ([a, b]) ⇒ ∃c, d ∈ [a, b] tales
que f (a) = c y f (b) = d.
Ahora vamos a definir g : I −→ R como g(x) = x − f (x). Entonces
g(a) = a − f (a) = a − c ≤ 0,
g(b) = b − f (b) = b − d ≥ 0.
Ası́ que por el Teorema del Valor Medio para funciones continuas, existe
p ∈ [a, b] tal que g(p) = 0 ⇒ p − f (p) = 0 ⇒ p = f (p).
Teorema 2.2.3 (Teorema del valor medio para derivadas, [14])

Sea f una función continua en un intervalo [a, b] y derivable en (a, b). En-
tonces existe c ∈ (a, b) tal que
f (b) − f (a)
f 0 (c) = .
b−a
2.3. Estabilidad
En esta sección daremos la definición de estabilidad de un punto fijo y
veremos un criterio que nos sirve para comprobar si un punto fijo es estable
o inestable. Seguiremos lo hecho en [4].
Definición 2.3.1 Sea x0 un punto fijo de una función f .
Se dice que x0 es estable si existe un entorno U de x0 tal que si y ∈ U ,
f n (y) ∈ U ∀n y limn→∞ f n (y) = x0 .
Por otro lado, diremos que x0 es inestable si para cada y de un entorno U
de x0 con y 6= x0 , se tiene que f n (y) ∈
/ U para algún n.
12
A continuación veremos una proposición que nos proporciona un método muy

simple para determinar la naturaleza de los puntos fijos.
Proposición 2.3.1 Sea f una función de clase C 1 y sea x0 un punto fijo de

f . Entonces:
a) x0 es estable si |f 0 (x0 )| < 1,
b) x0 es inestable si |f 0 (x0 )| > 1.
Demostración:
a) Sea |f 0 (x0 )| = v < 1. Como f 0 es continua, tenemos:
∀ε > 0, ∃δ > 0 tal que si x ∈ (x0 − δ, x0 + δ) = I ⇒ |f 0 (x) − f 0 (x0 )| < ε.
Como
ε > |f 0 (x) − f 0 (x0 )| ≥ ||f 0 (x)| − |f 0 (x0 )|| = ||f 0 (x)| − v| ⇒ ||f 0 (x)| − v| < ε.
Ası́ que −ε < |f 0 (x)| − v < ε ⇒ −ε + v < |f 0 (x)| < ε + v y tomando
K = ε + v < 1 nos queda |f 0 (x)| < K.
Por el teorema del valor medio para las derivadas, para cualquier x ∈ I,
tenemos
f (x) − f (x0 ) f (x) − x0

= = f 0 (c),
x − x0 x − x0
con c ∈ I.
Ası́ que
|f (x) − x0 | = |f 0 (c)||x − x0 | < K|x − x0 | < |x − x0 | < δ ⇒ f (x) ∈ I.
Ahora, repetimos el mismo argumento cambiando x por f (x):
|f 2 (x) − x0 | < K|f (x) − x0 | < K 2 |x − x0 | < |x − x0 | < δ ⇒ f 2 (x) ∈ I.
Por inducción obtenemos que
|f n (x) − x0 | < K n |x − x0 | < |x − x0 | < δ ⇒ f n (x) ∈ I ∀n

y además, como K n −→ 0 cuando n −→ +∞, nos queda que
limn→∞ |f n (x)| = x0 .
b) Sea |f 0 (x)| = v > 1 y escogemos K tal que 1 < K < v.

Como f 0 es continua, de manera análoga al apartado anterior, ∃δ > 0 tal que
si x ∈ [x0 − δ, x0 + δ] = I ⇒ |f 0 (x)| > K.
13
Por el teorema del valor medio para las derivadas, tenemos que para cualquier
x ∈ I existe c ∈ I tal que
f (x) − f (x0 ) f (x) − x0

= = f 0 (c).
x − x0 x − x0
Entonces
|f (x) − x0 | = |f 0 (c)||x − x0 | > K|x − x0 |
y por inducción nos queda
|f n (x) − x0 | > K n |x − x0 |
y como K > 1, K n −→ +∞ cuando n −→ +∞. Por lo tanto
limn→∞ |f n (x) − x0 | = +∞.
Por último, debemos resaltar que cuando nos encontramos en el caso crı́tico
|f 0 (x0 )| = 1 este criterio no nos aporta información sobre la estabilidad de
x0 . Vamos a tomar un ejemplo de [9] para ilustrar esto.
Consideramos la función f (x) = 3x(1 − x).
Sus puntos fijos son x1 = 0 y x2 = 2/3. Si aplicamos el criterio anterior nos
queda:
0
0 |f (0)| = 3 > 1 ⇒ inestable,
f (x) = 3 − 6x ⇒
|f 0 (2/3)| = 1 ⇒ el criterio no aporta información.
En esta situación utilizaremos la definición. Vamos a tomar un punto y que

se encuentre en un entorno del punto fijo x = 2/3. En este caso consideramos
y = 0,7. Mediante resolución numérica, después de 100 iteraciones, vemos
que los valores de la función se encuentran dentro del intervalo [0,63, 0,7],
por lo tanto está claro que f n (y) no abandona el entorno de x. Ası́ que el
punto x = 2/3 es estable.
Vamos a considerar ahora la función
f : [−1, 1] → [−1, 1] dada por f (x) = −x.
El único punto fijo de esta función es x = 0. Además
f 0 (x) = −1 ⇒ |f 0 (0)| = 1,
ası́ que no podemos utilizar el criterio para ver si es estable o inestable. Uti-
lizando la definición, sin embargo observamos que si tomamos un y en un
14
entorno de x = 0, los valores de la función se alternan entre y y −y, pero no

tienden hacia el punto x = 0. Por lo tanto en este caso el punto fijo no es
estable ni inestable.
Por lo tanto, la conclusión que sacamos de estos dos ejemplos es que cuando
nos encontramos en el caso crı́tico |f 0 (x)| = 1 podemos tener puntos estables
o que no sean ni estables ni inestables.
2.4. Definición de función caótica

Podemos encontrar diferentes definiciones para el concepto de función
caótica. En este trabajo utilizaremos dos de ellas: la que formularon Li-Yorke
en 1975 en su famoso artı́culo “Periodo tres implica caos”(ver [6]) y la dada
por el matemático R. Devaney en 1989 (ver [11]).
Definición 2.4.1 Sea f una función de un intervalo I = [a, b] en sı́ mismo.
Se dice que f es una función caótica en el sentido de Li-Yorke si
cumple las siguientes condiciones:
1. Los puntos periódicos de f son densos en I.
2. Dependencia sensible de las condiciones iniciales

Para cada x ∈ I, ∃ε > 0 tal que para cada δ > 0 existen y ∈ I y n ∈ N
tales que
|x − y| < δ y |f n (x) − f n (y)| > ε.
Definición 2.4.2 Sea f una función de un intervalo I = [a, b] en sı́ mismo.

Se dice que f es una función caótica en el sentido de Devaney si lo
es en el sentido de Li-Yorke y además cumple la condición:
f es topológicamente transitiva, es decir, dados dos subintervalos abier-
tos cualesquiera U1 , U2 de I, hay un punto x0 ∈ U1 y un n ∈ N tales que
f n (x0 ) ∈ U2 .
Está claro que toda función caótica en el sentido de Devaney lo es también

en el sentido de Li y Yorke, sin embargo el recı́proco no es cierto (al final de
este Capı́tulo veremos un contraejemplo).
La transitividad de f garantiza que dados dos subintervalos cualesquiera de
I, existe un punto en el primero de forma que, para algún k, uno de los pun-
tos de su órbita se encontrará en el segundo.
15
La dependencia sensible de las condiciones iniciales nos dice que para ca-
da punto x existe un punto y tan cercano a x como queramos de forma que
para algún m, la distancia de f m (y) a f m (x) es mayor que ε. En la práctica
esto significa que cuando iteramos valores próximos a x podemos obtener re-
sultados que difieran bastante de los que obtendrı́amos al iterar exactamente
x. Esto es lo que comentamos antes, condiciones iniciales muy próximas pue-
den dar lugar a resultados muy distintos.
Una pregunta que nos podrı́a surgir al ver la definición de función caótica es
si la dependencia de las condiciones iniciales no contradice el hecho de que f
sea continua. Vamos a ver que no es ası́.
La dependencia de las condiciones iniciales nos dice que dados x ∈ I y ε > 0,
∀δ > 0 podemos encontrar ỹ ∈ I y n ∈ N tales que
|x − ỹ| < δ y |f n (x) − f n (ỹ)| > ε.
Por otro lado tenemos que f es continua, por lo tanto f n también lo es y

entonces ∃δn > 0 tal que si
y ∈ I, |x − y| < δn ⇒ |f n (x) − f n (y)| < ε.

Ası́ que para que no haya contradicción entre ambas definiciones tiene que
verificarse δn < |x − ỹ| < δ.
Un hecho que debemos destacar es que si f es topológicamente transitiva
y tiene puntos periódicos densos entonces tiene dependencia sensible de las
condiciones iniciales, lo cual vamos a probar siguiendo [12].
Teorema 2.4.1 Si f : I → I es topológicamente transitiva y tiene pun-

tos periódicos densos entonces tiene dependencia sensible de las condiciones
iniciales.
Demostración:
Por tener puntos periódicos densos podemos asegurar que existe ε0 tal que
∀x ∈ I existe un punto periódico q ∈ I cuya órbita O(q) cumple que
d(x, O(q)) = miny∈O(q) |x − y| ≥ ε0 /2. Veámoslo.
Vamos a escoger dos puntos periódicos cualesquiera q1 y q2 con órbitas dis-
juntas O(q1 ) y O(q2 ) tales que
d(O(q1 ), O(q2 )) = miny1 ∈O(q1 ),y2 ∈O(q2 ) |y1 − y2 | = ε0 .
Entonces, para y1 ∈ O(q1 ), y2 ∈ O(q2 ), por la desigualdad triangular tenemos:
|y1 − y2 | = |y1 − x + x − y2 | ≤ |y1 − x| + |x − y2 |.

16
Tomando mı́nimos nos queda
ε0 = d(O(q1 ), O(q2 )) ≤ d(O(q1 ), x) + d(x, O(q2 )) ⇒
⇒ d(O(q1 ), x) ≥ ε0 /2 ó d(O(q2 ), x)| ≥ ε0 /2.

Vamos a probar que f tiene dependencia sensible de las condiciones para el
valor ε = ε0 /8.
Consideramos ahora x ∈ I y U1 un entorno de x. Consideramos también
U = U1 ∩ (x − ε, x + ε). Como los puntos periódicos de f son densos tiene que
existir un punto periódico p ∈ U con periodo n. Además ya hemos visto que
existe un punto periódico q ∈ I cuya órbita O(q) cumple que d(O(q), x) ≥ 4ε.
Sea
V = ∩ni=0 f −i (f i (q) − ε, f i (q) + ε).
V es intersección de conjuntos abiertos, por lo tanto es abierto. Además es
no vacı́o ya que q ∈ V . Como f es topológicamente transitiva, existen y ∈ U
y k ∈ N tales que f k (y) ∈ V .
Sea ahora j la parte entera de nk + 1 ⇒ 1 ≤ nj − k ≤ n. Por construcción
tenemos que
f nj (y) = f nj−k (f k (y)) ∈ f nj−k (V ) ⊆ (f nj−k (q) − ε, f nj−k (q) + ε).
Ahora, como f nj (p) = p, por la desigualdad triangular tenemos
|f nj (p) − f nj (y)| = |p − f nj (y)| = |x − f nj−k (q) + f nj−k (q) − f nj (y) + p − x| ≥
≥ |x − f nj−k (q)| − |f nj−k (q) − f nj (y)| − |p − x|.

Ası́ que como p ∈ (x − ε, x + ε) y f nj (y) ∈ (f nj−k (q) − ε, f nj−k (q) + ε), nos
queda que
|f nj (p) − f nj (y)| > 4ε − ε − ε = 2ε.
Además, usando de nuevo la desigualdad triangular tenemos que
|f nj (p) − f nj (y)| = |f nj (p) − f nj (x) + f nj (x) − f nj (y)| ≤
≤ |f nj (p) − f nj (x)| + |f nj (x) − f nj (y)| ⇒

⇒ |f nj (p) − f nj (x)| > ε ó |f nj (x) − f nj (y)| > ε.
De esta forma queda probado para ambos casos que f tiene dependencia
sensible de las condiciones iniciales.
17
2.5. Periodo 3 implica caos

A continuación vamos a presentar un resultado fundamental que es de uti-
lidad a la hora de determinar cuándo una función presenta comportamiento
caótico. Fue enunciado y demostrado por T.Y. Li y J.A. Yorke en el artı́culo
“Period three implies chaos”, [6]. Se trata de un teorema que consta de dos
partes: la primera es la más sencilla de demostrar y lo haremos siguiendo
[7]. La segunda parte es más compleja y para llevar a cabo la demostración
hemos seguido la referencia [8]. Además hemos incluido algunos ejemplos
que faciliten la comprensión y hemos completado los pasos que no se habı́an
desarrollado en el artı́culo inicial.
Teorema 2.5.1 Sea I un intervalo y sea f : I −→ I una función continua.
Supongamos que existe a ∈ I un punto de periodo 3 para f .
Entonces:
T1) Para cada m = 1, 2, ... hay un punto periódico de f de periodo m en I.
Además,
T2) Existe un subconjunto no numerable S ⊂ I (que contiene puntos no
periódicos), y satisface las siguientes condiciones:
a) Para cada p, q ∈ S con p 6= q se cumple
lı́m sup |f n (p) − f n (q)| > 0, (2.1)

n→∞
lı́m inf |f n (p) − f n (q)| = 0. (2.2)

n→∞
b) Para cada p ∈ S y cada punto periódico q ∈ I
lı́m sup |f n (p) − f n (q)| > 0. (2.3)

n→∞
Este teorema dio lugar a la definición de función caótica en el sentido de Li

y Yorke. La parte T2 hace referencia a que f tiene dependencia sensible de
las condiciones iniciales.
Demostración de T1:
Queremos probar que “periodo 3 implica periodo m, ∀m ∈ N”.
Enunciaremos previamente dos lemas que utilizaremos en la demostración.
Lema 2.5.1 Sea f : I −→ R continua. Para cada intervalo compacto I1 ⊂
f (I) hay un intervalo compacto Q ⊂ I tal que f (Q) = I1 .
Demostración: Sean f : I = [a, b] −→ R continua y I1 = [f (p), f (q)] ⊂ f (I)
con p, q ∈ I. Sin pérdida de generalidad suponemos p < q.
Ahora tomamos
r = max{x ∈ [p, q] : f (x) = f (p)},
18
s = min{y ∈ [r, q] : f (y) = f (q)},

y consideramos el intervalo Q = [r, s] ⊂ I.
Entonces, por el Teorema del Valor Medio, se tiene que
I1 = f (Q).
Lema 2.5.2 Sea f : I −→ I continua e I0 un intervalo compacto tal que

I0 ⊂ f (I0 ). Entonces existen intervalos cerrados In ⊂ In−1 tales que f (In ) =
In−1 , ∀n ∈ N.
En particular, f n (In ) = I0 .
Demostración:
Para n = 1 se cumple por el lema 2.5.1:
I0 ⊂ f (I0 ) ⇒ ∃I1 ⊂ I0 tal que f (I1 ) = I0 .
Para n = 2, como I1 ⊂ f (I1 ) de nuevo por el lema 2.5.1, ∃I2 ⊂ I1 tal que
f (I2 ) = I1 y el caso general se obtiene por inducción.
Ahora pasaremos a demostrar T1.

Sea a ∈ I un punto de periodo 3, con f (a) = b, f 2 (a) = f (b) = c y
f 3 (a) = f (c) = a. Entonces
f 3 (b) = f 2 (c) = f (a) = b ⇒ b es punto de periodo 3 para f,
f 3 (c) = f 2 (a) = f (b) = c ⇒ c es punto de periodo 3 para f.

Sin pérdida de generalidad, supondremos a < b < c.
Por el Teorema del Valor Medio para funciones continuas tenemos:
para cada r ∈ [f (a), f (b)] = [b, c] , ∃k ∈ [a, b] tal que f (k) = r ⇒
⇒ [b, c] ⊂ f ([a, b]).

Por otro lado
para cada r ∈ [f (b), f (c)] = [a, c] , ∃k ∈ [b, c] tal que f (k) = r ⇒
⇒ [a, c] ⊂ f ([b, c]).

Ahora, como [b, c] ⊂ [a, c] ⊂ f ([b, c]), por el Teorema del Punto Fijo sabemos
que f tiene un punto fijo en [b, c].
Fijamos m > 1 y sea I0 = [b, c]. Entonces, por el lema 2.5.2, existen intervalos
cerrados In ⊂ [b, c] tales que f (In ) = In−1 ,∀n ≥ 1.
19
Como Im−2 ⊂ [b, c] ⊂ f ([a, b]) entonces, por el lema 2.5.1, existe [a0 , b0 ] ⊂ [a, b]
tal que f ([a0 , b0 ]) = Im−2 . Ası́ que
[a0 , b0 ] ⊂ [a, b] ⊂ [a, c] ⊂ f ([b, c]) = f m−1 (Im−2 ) = f m ([a0 , b0 ])
y por el Teorema del Punto Fijo, f m tiene un punto fijo x0 ∈ [a0 , b0 ].

Con esto hemos probado que para cada m > 1 existe x0 ∈ I tal que
x0 = f m (x0 ). Nos queda ver que f i (x0 ) 6= x0 para i < m.
Como f i ([a0 , b0 ]) = f i−1 (Im−2 ) = Im−i−1 ⊂ [b, c] y [a0 , b0 ] ⊂ [a, b] son disjuntos
para i < m, entonces f i (x0 ) 6= x0 para i < m.
De esta manera queda probado que x0 es un punto de periodo m.
Demostración de T2:
En primer lugar daremos una definición y un lema necesarios para la demos-
tración de este apartado.
Definición 2.5.1 Sea {sn } una sucesión de números reales. Sea E el conjun-
to de números x ∈ R ∪ {±∞} tal que snk → x para alguna subsucesión {snk }.
Sean s∗ = sup E, s∗ = ı́nf E. Los números s∗ y s∗ son los lı́mites superior e
inferior de {sn } respectivamente. Usaremos la notación lı́m supn→∞ sn = s∗ ,
lı́m inf n→∞ sn = s∗ .
Lema 2.5.3 Sea f : I −→ I continua y sea {In }∞ n=0 una sucesión de inter-
valos compactos con In ⊆ I, In+1 ⊆ f (In ), ∀n ∈ N.
Entonces existe una sucesión de intervalos compactos Qn tales que Qn+1 ⊆
Qn ⊆ I0 y f n (Qn ) = In , ∀n ∈ N.
Para cada x ∈ Q = ∩∞ n n
n=0 Qn tenemos que f (x) ∈ f (Qn ) = In , ∀n ∈ N.
Demostración: Definimos Q0 = I0 ⇒ f 0 (Q0 ) = I0 .

Supongamos por hipótesis de inducción que tenemos Qn−1 definido de forma
que f n−1 (Qn−1 ) = In−1 . Entonces
In ⊆ f (In−1 ) = f n (Qn−1 ).
Por el lema 2.5.1 aplicado a f n (Qn−1 )
∃Qn ⊆ Qn−1 tal que f n (Qn ) = In .
Para la última parte, supongamos x ∈ Q. Esto implica que f 0 (x) = x ∈

Q0 = I0 . Además, como x ∈ Qn+1 ⇒ f n+1 (x) ∈ f n+1 (Qn+1 ) = In+1 . Ası́ que
f n (x) ∈ In , ∀n ∈ N.
Ahora pasaremos a demostrar T2.
Denotaremos a partir de aquı́ K = [a, b] y L = [b, c].
20
Sea M el conjunto de sucesiones M = {Mn }∞

n=1 de intervalos compactos que
cumplen las tres condiciones siguientes
Mn = K ó Mn ⊆ L, (2.4)
Mn+1 ⊆ f (Mn ), (2.5)
y si Mn = K entonces
n es el cuadrado de un número natural y Mn+1 , Mn+2 ⊆ L. (2.6)
Notemos que las condiciones Mn+1 , Mn+2 ⊆ L son redundantes porque si n

es el cuadrado de un número natural, n + 1 y n + 2 no lo van a ser.
Anteriormente hemos probado que
[b, c] ⊂ f ([a, b]) , es decir, L ⊂ f (K),
[a, c] ⊂ f ([b, c]) ⇒ [a, b] ⊂ [a, c] ⊂ f ([b, c]) , es decir, K ⊂ f (L),

[a, c] ⊂ f ([b, c]) ⇒ [b, c] ⊂ [a, c] ⊂ f ([b, c]) , es decir, L ⊂ f (L).
Para M ∈ M, denotamos como P (M, n) el número de ı́ndices i en {1, ..., n}
para los cuales Mi = K. Para cada r ∈ (3/4, 1), escogemos M r = {Mnr }∞ n=1
una sucesión en M tal que
P (M r , n2 )
lı́m = r. (2.7)
n→∞ n
Para que se vea mejor cómo elegir M r , vamos a dar algunos ejemplos. Dis-
tinguiremos dos casos:
1) r racional. Vamos a tomar por ejemplo r = 4/5.
Definimos:


 K si n es el cuadrado de un número natural, salvo para los
cuadrados múltiplos de 5,

Mn4/5 =


L en otro caso.

Ası́ que M 4/5 es de la forma:
M 4/5 = {K, L, L,
K, L, L, L, L,
K, L, L, L, L, L, L,
K, L, L, L, L, L, L, L, L,
21
L, L, L, L, L, L, L, L, L, L, L,
K, L, L, L, L, L, L, L, L, L, L, L, L,
K, L, L, ...}
Observamos que el término número 52 = 25 de la lista es igual a L por
ser el cuadrado de 5. Lo que estamos haciendo es de cada bloque de cinco
cuadrados perfectos escoger cuatro iguales a K y el restante igual a L. En
general, cualquier sucesión M r con r = p/q racional se puede definir siguiendo
ese proceso: de cada bloque de q cuadrados escogemos p iguales a K y el resto
iguales a L.
Notemos que el número de ı́ndices i ∈ {1, ..., n2 } para los cuales i es el
cuadrado de un número natural es n. Por tanto,
r 2 P (M r , n2 )
P (M , n ) ≤ n, ∀n ⇒ ≤ 1 , ∀n.
n
Ası́ que es por eso que escogemos r < 1. Más adelante veremos por qué to-
mamos r > 3/4.
También hay que tener en cuenta que lı́mn→∞ P (M r , n2 ) debe ser infinito
porque si no el lı́mite (2.7) serı́a cero.
Ahora comprobaremos que se cumple (2.7).
P (M 4/5 , n2 )
Si 1 ≤ n < 5 ⇒ = n/n.
n
P (M 4/5 , n2 ) n−1
Si 5 ≤ n < 10 ⇒ = .
n n
P (M 4/5 , n2 ) n−2
Si 10 ≤ n < 15 ⇒ = .
n n
P (M 4/5 , n2 ) n−3
Si 15 ≤ n < 20 ⇒ = .
n n
P (M r , n2 ) n − p/5
En general, si p = 5k ≤ n < 5(k + 1) ⇒ = .
n n
Por lo tanto, cuando n → ∞ tenemos que:
P (M 4/5 , n2 ) n − n/5 5n − n 4n
lı́m = lı́m = lı́m = lı́m = 4/5.
n→∞ n n→∞ n n→∞ 5n n→∞ 5n
2) r irracional. Vamos a tomar por ejemplo r = 2π/7 ' 0,897597901....

Tomamos M r de forma que:
De los 10 primeros cuadrados elegimos 8 iguales a K y el resto iguales a L.
P (M 2π/7 , n2 ) 8
Esto es, si n = 10, = = 0,8.
n 10
22
De los 100 primeros cuadrados, elegimos 89 iguales a K y el resto iguales a

L.
P (M 2π/7 , n2 ) 89
Esto es, si n = 102 , = = 0,89.
n 100
De los 1000 primeros cuadrados, elegimos 897 iguales a K y el resto iguales
a L.
P (M 2π/7 , n2 ) 897
Esto es, si n = 103 , = = 0,897.
n 1000
En general, de los n = 10k primeros cuadrados, elegimos un número igual a
las k primeras cifras decimales de 2π/7 que sean iguales a K y el resto iguales
a L.
De esta forma nos queda
k cif ras decimales
z }| {
P (M 2π/7 , n2 ) 897597901...
lı́m = lı́m = 2π/7.
n→∞ n k→∞ 10k
Sea ahora M0 = {M r : r ∈ (3/4, 1)} ⊆ M.
Supongamos r1 , r2 ∈ (3/4, 1) tales que r1 6= r2 ⇒ M r1 6= M r2 (por construc-
ción). Esto quiere decir que hay tantos posibles M r como valores de r y como
(3/4, 1) es un conjunto no numerable, entonces M0 es no numerable.
Para cada M r ∈ M0 , por el lema 2.5.3, existe xr con f n (xr ) ∈ Mnr , ∀n.
Sea S = {xr : r ∈ (3/4, 1)}.
Para cada xr ∈ S sea P (xr , n) el número de i0 s en {1, ..., n} para los cuales
f i (xr ) ∈ K.
Supongamos por reducción al absurdo que f k (xr ) = b para algún k. Enton-
ces f k+2 (xr ) = f 2 (b) = a ∈ K y f k+2 (xr ) ∈ M2+kr
. De aquı́ obtenemos que
r
M2+k = K.
Aplicamos f 3m+2+k (xr ) = f 3m (a) = a ∈ K y f 3m+2+k (xr ) ∈ M3m+2+k r
. De
r
aquı́ tenemos que M3m+2+k = K, ∀m. Con esto llegamos a una contradic-
ción ya que no puede ser Mir = K para un conjunto periódico de ı́ndices (el
conjunto de cuadrados perfectos no es periódico). Ası́ que f k (xr ) 6= b para
cualquier xr ∈ S y ∀k ∈ N.
Vamos a ver que como f k (xr ) 6= b, si r1 6= r2 ⇒ xr1 6= xr2 .
Como r1 6= r2 ⇒ M r1 6= M r2 . Por la condición (2.7) tiene que existir al
menos un ı́ndice j0 ∈ N tal que:
(1) Mjr21 = K, Mjr22 ⊆ L ó (2) Mjr21 ⊆ L, Mjr22 = K.

0 0 0 0
4/5
Por ejemplo, si tomamos r1 = 4/5, r2 = 5/6, tenemos que M25 = L,
5/6
M25 = K.
2 2
Entonces en el caso (1) tenemos f j0 (xr1 ) ∈ Mjr21 = K = [a, b] y f j0 (xr2 ) ∈
0
23
Mjr22 ⊆ L = [b, c]. Por reducción al absurdo, supongamos que xr1 = xr2 , en-
0
2 2
tonces tendrı́amos f j0 (xr1 ) = f j0 (xr2 ) ∈ K ∩ L, lo cual es una contradicción
2 2
ya que f j0 (xr1 ) 6= b y f j0 (xr2 ) 6= b. En el caso (2) se razona de forma análoga.
Por lo tanto, S es no numerable y P (xr , n) = P (M r , n) ∀n.

Definimos
P (xr , n2 )
ρ(xr ) = limn→∞ = r, ∀r.
n
Por construcción (ver (2.4)) sabemos que Mnr = K ó Mnr ⊆ L, ∀n.
Vamos a ver que para p, q ∈ S, p 6= q, existen infinitos n tales que f n (p) ∈ K
y f n (q) ∈ L o viceversa.
Sin pérdida de generalidad, supongamos ρ(p) > ρ(q). Entonces
P (p, n2 ) P (q, n2 ) P (p, n2 ) − P (q, n2 )

lı́m > lı́m ⇒ lı́m > 0.
n→∞ n n→∞ n n→∞ n
Como el denominador tiende a infinito, para que el lı́mite no sea cero debe
ser limn→∞ P (p, n2 ) − P (q, n2 ) = ∞.
Como la función P solo aumenta +1 ó 0 por cada unidad que incremente n y
la única vez en la que P (p, n2 ) aumenta mientras P (q, n2 ) permanece igual es
2 2 2
cuando f n (p) ∈ K, f n (q) ∈ L, debe haber infinitos n tales que f n (p) ∈ K,
2
f n (q) ∈ L para que se cumpla limn→∞ P (p, n2 ) − P (q, n2 ) = ∞.
Para entender mejor este proceso vamos a verlo con un ejemplo.
Consideramos M 4/5 (ya sabemos cómo es por el ejemplo anterior) y M 5/6
que viene dada por


 K si n es el cuadrado de un número natural, salvo para los
cuadrados múltiplos de 6,

Mn5/6 =


L en otro caso.

Ası́ que M 5/6 es de la forma:
M 5/6 = {K, L, L,
K, L, L, L, L,
K, L, L, L, L, L, L,
K, L, L, L, L, L, L, L, L,
K, L, L, L, L, L, L, L, L, L, L,
L, L, L, L, L, L, L, L, L, L, L, L, L,
24
K, L, L, ...}
Tenemos que 5/6 > 4/5 y sabemos que P (xr , n) = P (M r , n).
Si n2 = 1:
P (M 4/5 , n2 ) = 1 y P (M 5/6 , n2 ) = 1.
Si n2 = 4:
P (M 4/5 , n2 ) = 2 y P (M 5/6 , n2 ) = 2.
Si n2 = 9:
P (M 4/5 , n2 ) = 3 y P (M 5/6 , n2 ) = 3.
Si n2 = 16:
P (M 4/5 , n2 ) = 4 y P (M 5/6 , n2 ) = 4.
Si n2 = 25:
P (M 4/5 , n2 ) = 4 y P (M 5/6 , n2 ) = 5.
Si n2 = 36:
P (M 4/5 , n2 ) = 5 y P (M 5/6 , n2 ) = 5.
Si n2 = 49:
P (M 4/5 , n2 ) = 6 y P (M 5/6 , n2 ) = 6.
Podemos continuar este proceso hasta llegar a n2 = 302 que es a la vez
múltiplo de 5 y de 6, por lo tanto a partir de ahı́ volverı́amos a empezar
el proceso que acabamos de describir. Comenzarı́amos de nuevo teniendo
P (M 4/5 , n2 ) = 24 y P (M 5/6 , n2 ) = 25, es decir, comenzarı́amos con una
diferencia de 1. Al repetir sucesivas veces la diferencia irı́a aumentando y
cuando n → ∞ nos quedarı́a P (M 5/6 , n2 ) − P (M 4/5 , n2 ) → ∞.
Ahora como f 2 (a) = c, f 2 (b) = a y f 2 es continua
∀ε > 0, ∃δ > 0 tal que si |x − b| < δ ⇒ |f 2 (x) − f 2 (b)| < ε ⇒

b−a
⇒ ∃δ > 0 tal que f 2 (x) − f 2 (b) < ∀x ∈ [b − δ, b] ⇒
2
b−a b − a 2a b+a
⇒ f 2 (x) < + f 2 (b) ⇒ f 2 (x) < + = ∀x ∈ [b − δ, b].
2 2 2 2
2 2
Si p ∈ S y f n (p) ∈ K ⇒ por (2.6) f n +2 (p) ∈ L.
2 2
Supongamos por reducción al absurdo que f n (p) ∈ [b − δ, b] ⇒ f 2 (f n (p)) <
b+a
2
lo cual nos lleva a una contradicción ya que a < b ⇒ b+a 2
< b.
n2
Ası́ que f (p) ∈ / [b − δ, b].
2 2 2
Como f n (q) ∈ L ⇒ f n (p) < b − δ < b < f n (q).
Por lo tanto,
2 2 2 2
|f n (p) − f n (q)| = f n (q) − f n (p) > b − (b − δ) = δ.
25
2 2 2
Ası́ que |f n (p) − f n (q)| > δ para los infinitos casos en los que f n (p) ∈ K
2
y f n (q) ∈ L.
Entonces el conjunto {|f k (p) − f k (q)| : ∀k ∈ N y f k (p) ∈ K, f k (q) ∈ L}
es infinito y posee al menos una subsucesión donde todos los valores son
mayores que δ.
Ası́ que por la definición 2.5.1 tenemos
lı́m sup |f n (p) − f n (q)| > 0.
n→∞
Esto prueba (2.1).

Ahora vamos a probar (2.3), ya que su demostración es muy similar.
Supongamos p ∈ S y sea q ∈ I un punto periódico de periodo m. Como
2
hemos visto en la prueba de (2.1), cuando f n (p) ∈ K ⇒ ∃δ > 0 tal que
2
f n (p) < b − δ.
Ahora, por lo probado en T1, como q es un punto de periodo m se cumple
2
que f n (q) ∈ L si n2 6= m, 2m, 3m, .... Pero como el conjunto de cuadrados
2
perfectos es no periódico, entonces el conjunto de n0 s donde f n (p) ∈ K y
2
f n (q) ∈ L es infinito. Por lo tanto, razonando de forma análoga a lo hecho
en la prueba de (2.1), tenemos que el conjunto
{|f k (p) − f k (q)| : ∀k ∈ N y f k (p) ∈ K, f k (q) ∈ L}
es infinito y todos los valores en el conjunto son mayores que δ. Entonces por
la definición 2.5.1
lı́m sup |f n (p) − f n (q)| > 0.
n→∞
Por último vamos a probar (2.2).

En primer lugar tenemos que modificar nuestra definición de Mnr . Tenemos
f (b) = c, f (c) = a < b. Escogemos el conjunto de intervalos [bn , cn ], n =
0, 1, 2..., de forma que b = b0 y c = c0 . Definimos b1 = max{x ∈ [b0 , c0 ] :
f (x) = c0 }. Como f [b1 , c0 ] ⊇ [a, c0 ] 3 b0 entonces por el Teorema del Valor
Medio para funciones continuas ∃c̃1 ∈ [b1 , c0 ] tal que f (c̃1 ) = b0 . Definimos
ahora c1 = min{x ∈ [b1 , c0 ] : f (x) = b0 }. Por inducción, podemos escoger
bn , cn tales que
bn+1 = max{x ∈ [bn , cn ] : f (x) = cn },
cn+1 = min{x ∈ [bn+1 , cn ] : f (x) = bn }.
Esto implica que [b, c] = [b0 , c0 ] ⊇ [b1 , c1 ] ⊇ ... ⊇ [bn , cn ] ⊇ ..., f (x) ∈ [bn , cn ],
∀x ∈ (bn+1 , cn+1 ) y f (bn+1 ) = cn , f (cn+1 ) = bn . Como bn < cn , ∀n y como bn
es creciente entonces existen los lı́mites b∗ = lı́m bn , c∗ = lı́m cn .
Vamos a suponer que si Mk = K para k = n2 y k = (n + 1)2 entonces
Mk = [b2n−(2j−1) , b∗ ] para k = n2 + (2j − 1),
26
Mk = [c∗ , c2n−2j ] para k = n2 + 2j,

con j = 1, ..., n. Para los demás valores de k tomaremos Mk = L. Esto
significa que si Mk = K para k = n2 y k = (n + 1)2 , entonces para cada valor
de k entre n2 y (n + 1)2 , Mk se corresponde con los intervalos antes definidos.
Vamos a ver si esto cumple (2.5) y (2.6). Como bn , b∗ , cn , c∗ ∈ L ⇒ [bn , b∗ ] ⊆ L
y [c∗ , cn ] ⊆ L, ∀n ∈ N.
Sea Mk = K para k = n2 y k = (n + 1)2 . Entonces Mn2 +1 = [b2n−1 , b∗ ] y
Mn2 +2 = [c∗ , c2n−2 ]. Como n2 y (n + 1)2 son ambos cuadrados de enteros,
(2.6) se cumple.
Ahora, sabemos que Mn2 +2n = [c∗ , c0 ]. Para que se cumpla (2.5) tiene que
ser f (Mk ) ⊇ Mk+1 , ∀k ∈ N. Vamos a ver que esto se verifica.
Tenemos:
Si k = n2 :
f (Mn2 ) = f (K) ⊇ L ⊇ [b2n−1 , b∗ ] = Mn2 +1 .
Si k = n2 + (2j − 1):
f (Mn2 +2j−1 ) = f [b2n−(2j−1) , b∗ ] ⊇ [f (b∗ ), f (b2n−2j+1 )] = [c∗ , c2n−2j ] = Mn2 +2j .
Si k = n2 + 2j:
f (Mn2 +2j ) = f [c∗ , c2n−2j ] ⊇ [f (c2n−2j ), f (c∗ )] = [b2n−2j−1 , b∗ ] = Mn2 +2j+1 .
Por último, si k = (n + 1)2 − 1:
f (M(n+1)2 −1 ) = f (Mn2 +2n ) = f [c∗ , c0 ] ⊇ [f (c0 ), f (c∗ )] = [a, b∗ ] ⊇ K = M(n+1)2 .
Por lo tanto las nuevas condiciones son compatibles con (2.5). Además no
afectan al número de i ∈ {1, ..., n} para el cual Mi = K, ası́ que cumplen
(2.5), (2.6) y (2.7).
∗
Sean r, r∗ ∈ (3/4, 1) con r 6= r∗ . Escogemos M r , M r ∈ M tales que
lı́m P (M r , n2 )/n = r,
n→∞
∗
lı́m P (M r , n2 )/n = r∗ .
n→∞
A partir de ahora vamos a considerar solamente los ı́ndices que son cuadrados
perfectos. Sea el conjunto B = {Bn } definido de forma que Bk = 1 si y solo si
Mkr2 = K, Bk = 0 en otro caso. De la misma forma, sea B ∗ = {Bn∗ } definido
∗
de forma que Bk∗ = 1 si y solo si Mkr2 = K, Bk∗ = 0 en otro caso. Entonces
por (2.7) y la definición de M r tenemos
n
! !
X
r = lı́m Bm /n ,
n→∞
m=1
27
n
! !
X
r∗ = lı́m ∗
Bm /n .
n→∞
m=1
Entonces
Pn Pn ∗
∃N tal que ∀n ≥ N , m=1 Bm > rn y m=1 Bm > r∗ n.
∗
Vamos a probar que existen infinitos n tales que Mnr2 = Mnr2 = K y M(n+1)
r
2 =
r ∗
M(n+1)2 = K. Esto es, tenemos que ver que hay infinitos casos en los cuales
Bn = Bn∗ = 1 y Bn+1 = Bn+1 ∗
= 1. En primer lugar vamos a presentar un
ejemplo que muestre que esto se cumple en el caso racional con r > 3/4.
Consideramos las sucesiones M 4/5 y M 5/6 vistas anteriormente, siendo B la
sucesión que corresponde al primero y B ∗ al segundo. Tenemos:
B = {1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 1, 1, 0,
1, 1, 1, 1, 0, 1, 1, 1, 1, 0, 1, 1, 1, 1, 0, ...},
B ∗ = {1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0,
1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, ...}.
Por lo tanto, si sumamos nos queda
B + B ∗ = {2, 2, 2, 2, 1, 1, 2, 2, 2, 1, 2, 1, 2, 2, 1,
2, 2, 1, 2, 1, 2, 2, 2, 1, 1, 2, 2, 2, 2, 0, ...}.
Hasta n = 30, tenemos 12 casos en los que se cumple Bk = Bk∗ = 1 y
∗
Bk+1 = Bk+1 = 1, es decir, hay doce pares de doses seguidos en la sucesión
∗
B + B . A partir de ese ı́ndice volvemos a repetir el mismo proceso y de esa
forma, cuando k tiende a infinito, nos queda que se cumple para un número
infinito de casos.
Vamos a ver ahora que el hecho de que r > 3/4 es relevante, ya que si no fuera
ası́ no se tiene por qué cumplir. Por ejemplo, consideramos M 2/3 y M 1/3 , con
B la sucesión que corresponde al primero y B ∗ al segundo. Tenemos:
B = {1, 1, 0, 1, 1, 0, ...},
B ∗ = {1, 0, 0, 1, 0, 0, ...}.
Por lo tanto,
B + B ∗ = {2, 1, 0, 2, 1, 0, ...},
y vemos que no existe ningún caso que cumpla Bk = Bk∗ = 1 y Bk+1 =
∗
Bk+1 = 1, es decir, no hay dos pares de doses seguidos en la sucesión B + B ∗ .
28
Ahora vamos a probarlo para el caso general. Consideraremos (sin pérdida

de generalidad) que N ≤ 100 y tomaremos bloques de 100 ı́ndices cuadrados
perfectos.
Vamos a tomar la sucesión B + B ∗ y probaremos que hay infinitos bloques de
100 ı́ndices donde hay al menos un par de doses seguidos. Esto es lo mismo
que ver que hay infinitos bloques de 100 ı́ndices donde podemos encontrar al
menos 51 elementos iguales a 2.
Por reducción al absurdo supongamos que solo hay un número finito de blo-
ques que cumplen esa condición. Entonces a partir de un bloque k0 , se cum-
plirá que el número de doses que hay en cada bloque es menor o igual que
50. Vamos a considerar el caso más desfavorable en el cual los k0 primeros
bloques de 100 tienen todos sus elementos iguales a 2 y a partir del bloque
k0 + 1 hasta el bloque k solamente hay 50 doses en cada uno. Por un lado
tenemos que
100k
X 100k
X0 100k
X
(Bi + Bi∗ ) = (Bi + Bi∗ ) + (Bi + Bi∗ ) ≤
i=1 i=1 i=100k0 +1
≤ 200k0 + (50 · 2 + 50)(k − k0 ) = 200k0 + 150(k − k0 ) = 50k0 + 150k,

y por otro sabemos que
100k
X
∗
100k(r + r ) < (Bi + Bi∗ ).
i=1
Por lo tanto nos queda

5k0
100k(r + r∗ ) < 50k0 + 150k ⇒ r + r∗ < + 1,5.
10k
Si ahora pasamos al lı́mite con k → ∞ nos queda que
r + r∗ ≤ 1,5,
y a la vez
r + r∗ > 3/4 + 3/4 = 3/2 = 1,5.
Por lo tanto hemos llegado una contradicción, para la cual es crucial que
r, r? > 3/4.
∗
Ası́ que existen infinitos n tales que Mkr = Mkr = K tanto para k = n2
como para k = (n + 1)2 . Sea xr ∈ S y xr∗ ∈ S. Como lı́mn→∞ bn = b∗ y
lı́mn→∞ cn = c∗ , ∀ε > 0, ∃N1 con |bn − b∗ | < ε, |cn − c∗ | < ε ∀n > N1 .
29
∗
Entonces, para cualquier n > N1 y Mkr = Mkr = K para ambos k = n2 y
k = (n + 1)2 , tenemos
2 +1 2 +1
fn (xr ), f n (xr∗ ) ∈ Mkr = [b2n−1 , b∗ ]
2 +1 2 +1
con k = n2 + 1. Por lo tanto, |f n (xr ) − f n (xr∗ )| < ε. Aplicando la
definición 2.5.1 obtenemos
lı́m inf |f n (p) − f n (q)| = 0.
n→∞
Periodo 5 no implica periodo 3

Vamos a ver un ejemplo de una función que tiene un punto de periodo 5
y no tiene puntos de periodo 3.
Consideramos la función lineal a trozos f : [1, 5] −→ [1, 5] definida como


 2x + 1, si 1 ≤ x ≤ 2,
−x + 7, si 2 ≤ x ≤ 3,

f (x) =

 −2x + 10, si 3 ≤ x ≤ 4,
−x + 6, si 4 ≤ x ≤ 5.

Es fácil comprobar que x = 1 es un punto de periodo 5:

f (1) = 3, f 2 (1) = f (3) = 4, f 3 (1) = f (4) = 2,
f 4 (1) = f (2) = 5, f 5 (1) = f (5) = 1.
Queremos ver que esta función no tiene puntos de periodo tres. Lo primero
que vamos a hacer es dibujar las gráficas de f y f 3 y también la recta y = x,
para ver cuáles son los puntos fijos de estas dos funciones.
En color azul está dibujada la gráfica de f , en color rojo la de f 3 y en verde la

recta y = x.
30
Vemos que f 3 solo tiene un punto de intersección con la recta y = x, por lo

tanto solo tiene un punto fijo. Ahora, como en ese mismo punto se intersecan
con f tenemos que es punto fijo de f y por lo tanto no es un punto de periodo
3.
Vamos a calcular ese punto. Se encuentra en el intervalo [3, 4] en el cual f
viene dada por f (x) = −2x + 10.
Resolvemos x = −2x + 10 ⇒ x = 10/3.
Ası́ que el único punto fijo de f 3 es x = 10/3, que es un punto fijo de f , por
lo tanto no hay puntos de periodo 3.
Caos en el sentido de Li y Yorke no implica caos en el sentido de

Devaney
Para finalizar el Capı́tulo vamos a ver un ejemplo de una función que es
caótica en el sentido de Li y Yorke pero no en el de Devaney.
Consideramos la función lineal a trozos f : [0, 1] −→ [0, 1] definida como

 x, si 0 ≤ x ≤ 1/2,
f (x) = 2x − 1/2, si 1/2 < x ≤ 3/4,
5/2 − 2x, si 3/4 < x ≤ 1.

Vamos a ver que tiene puntos de periodo 3 y para ello representamos las
gráficas de f y f 3 junto con la identidad:
En azul está representada la gráfica de f , en rojo la de f 3 y en verde la

recta y = x.
Observando la imagen queda claro que f tiene 6 puntos de periodo 3, que
son en donde se intersecan únicamente f 3 con y = x. Por lo tanto aplicando
el teorema de Li y Yorke obtenemos que f es caótica en el sentido de su
definición. Sin embargo, f no es caótica en el sentido de Devaney porque
no es topológicamente transitiva: no podemos encontrar x ∈ [0, 1/2] tal que
f n (x) ∈ (1/2, 1] para algún n, ya que todos los puntos de [0, 1/2] son fijos.
Capı́tulo 3
Estudio de algunos sistemas

dinámicos discretos
En los siguientes apartados vamos a estudiar algunos sistemas dinámicos

clásicos que presentan comportamiento caótico para determinados valores de
sus parámetros.
3.1. Ecuación logı́stica

En esta sección estudiaremos la ecuación logı́stica, que como ya hemos
visto viene dada en su forma discreta mediante la expresión:
f (x) = rx(1 − x). (3.1)

Limitaremos nuestro análisis de la ecuación al caso 0 < r ≤ 4. Vamos a ver
por qué. Tomamos g(x) = x(1 − x) y calculamos su máximo:
g 0 (x) = 0 ⇒ 1 − 2x = 0 ⇒ x = 1/2.
Ahora calculamos el valor de g(x) en x = 1/2 y nos queda g(1/2) = 1/4. Por
lo tanto si tomamos 0 < r ≤ 4 podemos garantizar f (x) = rg(x) ∈ [0, 1].
Puntos fijos y estabilidad

Vamos a seguir [3] y [4]. Para calcular los puntos fijos de f dada por (3.1)
resolvemos

2 x = 0,
x = xr(1 − x) ⇒ rx + (1 − r)x = 0 ⇒
x = 1 − 1/r.
31
32
Ası́ que f tiene dos puntos fijos, x1 = 0 y x2 = 1 − 1r .

Ahora vamos a ver para qué valores de r son estables. Como ya hemos visto
antes, tenemos que comprobar cuándo se cumple:
|f 0 (xi )| = |r − 2rxi | < 1.

Para x1 = 0, tenemos
|f 0 (x1 )| = r.
Ası́ que x1 estable cuando r < 1.
Para x2 = 1 − 1/r, tenemos
|f 0 (x2 )| = | − r + 2|,
y queremos que | − r + 2| < 1, ası́ que nos queda que 1 < r < 3.
Nos queda determinar la naturaleza de los puntos fijos para r = 1 y r = 3.
Para r = 3 tenemos que |f 0 (x1 )| = 3 > 1 por lo tanto x1 = 0 es inestable,
y |f 0 (x2 )| = 1, ası́ que el criterio no nos aporta información. Sin embargo ya
estudiamos este caso en la sección sobre estabilidad del Capı́tulo 2 y vimos
que aplicando la definición obtenı́amos que el punto x2 = 2/3 es estable.
Para r = 1 tenemos un único punto fijo que es x1 = 0 = x2 . Nos queda que
|f 0 (x1 )| = 1 por lo tanto el criterio no nos aporta información, pero de forma
análoga al caso anterior si aplicamos la definición vemos que es estable.
Nos preguntamos ahora, ¿qué ocurre cuando r > 3?
Veremos que aparece un 2-ciclo, es decir, las sucesivas iteraciones de la fun-
ción se alternan entre dos puntos fijos.
En primer lugar, calcularemos f 2 (x) (esto es, f (f (x))):
f 2 (x) = f (rx(1 − x)) = r2 x(1 − x)(1 − rx(1 − x)). (3.2)
Ahora calcularemos los puntos fijos no nulos de f 2 :

x = r2 x(1 − x)(1 − rx(1 − x)) ⇒ r2 (1 − x)(1 − rx(1 − x)) − 1 = 0,
y desarrollando la expresión obtenemos:

3 2 1 1 1
x − 2x + 1 + x+ − = 0.
r r3 r
Ahora, como sabemos que los puntos fijos
de f son también puntos fijos de
1
f 2 , podemos sacar el factor x − 1 − y obtenemos:
r

1 2 1 1 1
x− 1− x − 1+ x+ + = 0.
r r r2 r
33
Ası́ que el 2-ciclo estará formado por las soluciones de

2 1 1 1
x − 1+ x+ + = 0.
r r2 r
Resolviendo esta ecuación de segundo grado nos queda:

p
r + 1 ± (r − 3)(r + 1)
x3,4 = .
2r
Además, x3,4 son reales y distintos cuando r > 3.
Ahora que ya tenemos calculados los dos puntos que forman el 2-ciclo, veamos
cuándo son estables.
df 2
Hay que evaluar en x3 y x4 . En primer lugar, utilizando la Regla de la
dx
Cadena obtenemos:
df 2
(x) = f 0 (f (x))f 0 (x).
dx
Evaluamos en x3 y en x4 , teniendo en cuenta que f (x3 ) = x4 y f (x4 ) = x3
df 2
(x3 ) = f 0 (f (x3 ))f 0 (x3 ) = f 0 (x4 )f 0 (x3 ),
dx
df 2
(x4 ) = f 0 (f (x4 ))f 0 (x4 ) = f 0 (x3 )f 0 (x4 ).
dx
Por lo tanto, después de operar nos queda
df 2 df 2
(x3 ) = (r − 2rx3 )(r − 2rx4 ) = −r2 + 2r + 4 = (x4 ).
dx dx
Nos queda comprobar cuándo se cumple que
| − r2 + 2r + 4| < 1,
√
y es fácil ver que esto ocurre cuando 3 < r < 1 + 6.
Por último, vamos a ver para qué valores de r existen puntos de periodo 3
de f . Tenemos:
f 3 (x) = −r7 x8 + 4r7 x7 − (6r7 + 2r6 )x6 + (4r7 + 6r6 )x5 − (r7 + 6r6 + r5 + r4 )x4
+(2r6 + 2r5 + 2r4 )x3 − (r5 + r4 + r3 )x2 + r3 x.
Vamos a representar gráficamente f 3 (x) para distintos valores de r junto con
la identidad para ver cuántos puntos fijos tiene f 3 en cada caso.
34
Para r = 3,8 :
Para r = 3,87 :
Observando estas dos gráficas, vemos que en la primera f 3 (x) tiene solo dos
puntos fijos, que se corresponden con los puntos fijos de f , ası́ que para
r = 3,8 no hay puntos de periodo 3. En la segunda gráfica, tenemos ocho
35
puntos fijos, dos de ellos son los de f y los seis restantes son los de f 3 . Por
lo tanto, para r = 3,87 tenemos puntos de periodo 3. Ası́ que de momento
sabemos que la función logı́stica comienza a tener periodo tres para un valor
r∗ en el intervalo (3,8, 3,87]. Los puntos de periodo 3 son los que cumplen
x = f 3 (x), esto es, x−f 3 (x) = 0. Vamos a llamar g(x) = x−f 3 (x). Queremos
calcular las raı́ces de g(x). En primer lugar, sabemos que los puntos fijos de
f son también puntos fijos de f 3 , ası́ que podemos factorizar de la siguiente
forma:
g(x)
h(x) = =
rx(x − (1 − 1/r))
= −r6 x6 + (3r6 + r5 )x5 − (3r6 + 4r5 + r4 )x4 + (r6 + 5r5 + 3r4 + r3 )x3
−(2r5 + 3r4 + 3r3 + r2 )x2 + (r4 + 2r3 + 2r2 + r)x − (r2 + r + 1).
Los puntos de periodo 3 son las raı́ces de h(x). Se trata de un polinomio de
grado 6 y no contamos con software matemático que calcule sus raı́ces de
manera exacta en función de r. Por lo tanto lo que vamos a hacer es estudiar
para qué parámetros existen puntos de periodo 3 de f de forma numérica.
Vamos a tomar distintos valores de r en el intervalo (3,8, 3,87] y veremos
cuándo h tiene raı́ces reales.
Después de probar con varios valores obtenemos que:
Para r = 3,82842, h tiene la raı́ces complejas y para r = 3,82843, h tiene
raı́ces reales. Por lo tanto vamos a tomar r = 3,82843 como el valor para
el cual comienza a haber puntos de periodo 3. Ası́ que aplicando el teore-
ma de Li y Yorke podemos afirmar que la ecuación logı́stica con parámetro
r ≥ 3,82843 es caótica en el sentido de su definición en el intervalo [0, r/4].
Por último, como resumen presentamos el diagrama de bifurcación de la ecua-
ción logı́stica. El eje de abcisas se corresponde con los valores del parámetro
r. Para cada uno de ellos, se representa el valor de los puntos periódicos esta-
bles de f . De esta manera, para r ∈ [1, 3], representamos el punto x = 1−1/r
que es el único
√ punto fijo estable de f para esos valores del parámetro r. Para
r ∈ (3, 1 + 6), representamos los puntos del 2-ciclo, que son estables en ese
rango de r, y ası́ sucesivamente para el resto de valores de parámetro. Las
bifurcaciones representan el paso de un n-ciclo a un 2n-ciclo.
36
Diagrama de bifurcación de la ecuación logı́stica.
3.2. Tent map

En esta sección vamos a seguir lo hecho en [5]. Dado r ∈ [0, 1], conside-
ramos la aplicación

2rx, si 0 ≤ x < 1/2,
fr (x) =
2r(1 − x), si 1/2 ≤ x ≤ 1,
que se conoce como Tent Map debido a que su forma recuerda a una tienda
de campaña.
Comenzaremos calculando sus puntos fijos. Para ello hacemos x = fr (x) :
x = 2rx ⇒ x = 0 si r 6= 1/2,
2r
x = 2r(1 − x) ⇒ x = .
1 + 2r
2r
Además, como el punto fijo x = existe cuando 1/2 ≤ x ≤ 1, tiene que
1 + 2r
ser r ≥ 1/2.
37
Vamos a estudiar el comportamiento de fr (x) en función de los distintos

valores que puede tomar r. Para ello distinguimos los siguientes casos:
1) Si 0 ≤ r < 1/2, como ya hemos visto, fr (x) tiene un único punto fijo que
es x = 0. Como |fr0 (0)| = |2r| < 1 cuando r < 1/2 tenemos que x = 0 es
estable.
2) Si r = 1/2 nos queda
(
x, si 0 ≤ x < 1/2,
f1/2 (x) =
1 − x, si 1/2 ≤ x ≤ 1.
Ası́ que todo punto x0 ∈ [0, 1/2] es un punto fijo de f1/2 (x).
2r
3) Si 1/2 < r < 1 hay dos puntos fijos, x = 0 y x = . Ya sabemos que
1 + 2r
en este caso x = 0 es inestable. Además, como |fr0 ( 1+2r
2r
)| = | − 2r| = 2r > 1
2r
ya que nos encontramos en el caso 1/2 < r < 1, tenemos que x = es
1 + 2r
también inestable.
Además cuando r > 1/2 comienzan a existir puntos de periodo 2, esto es,
que forman un 2-ciclo. Vamos a calcularlos.
En primer lugar calculamos fr2 (x):
1


 4r2 x, si 0 ≤ x < ,

 4r


 2r − 4r2 x, 1
si ≤ x < 1/2,

fr2 (x) = 4r
2 1

 2r − 4r (1 − x), si 1/2 ≤ x < 1 − ,
4r


1


 4r2 (1 − x),

si 1 − ≤ x ≤ 1.
4r
Ahora igualamos a x cada rama de fr2 (x):
x = 4r2 x ⇒ x = 0,
2r
x = 2r − 4r2 x ⇒ x(1 + 4r2 ) = 2r ⇒ x = ,
1 + 4r2
2r
x = 2r − 4r2 (1 − x) ⇒ x = ,
1 + 2r
4r2
x = 4r2 (1 − x) ⇒ x = .
1 + 4r2
2r
Sabemos que x = 0 y x = son puntos fijos de fr (x), ası́ que los puntos
1 + 2r
que forman el 2-ciclo son:
4r2

2r
, .
1 + 4r2 1 + 4r2
38
2 2 2

dfr 2r 2 2
dfr 4r
Además, como = |−4r | = 4r = tenemos
dx 1 + 4r2 dx 1 + 4r2
que ambos puntos son inestables, ya que 4r2 > 1 cuando r > 1/2.
4) Si r = 1 tenemos

1
 2x, si 0 ≤ x < ,

f1 (x) = T (x) = 2 (3.3)
1
 2(1 − x), si ≤ x ≤ 1.

2
Los puntos fijos son: x = 0, x = 2/3.

Además como |T 0 (x)| = 2 > 1 ∀x ∈ [0, 1], x 6= 1/2 tenemos que ambos pun-
tos fijos son inestables.
Gráfica de T (x)
Ahora vamos a calcular los puntos fijos de periodo dos.



 4x, si 0 ≤ x < 1/4,
2 − 4x, si 1/4 ≤ x < 1/2,

T 2 (x) = (3.4)

 4x − 2, si 1/2 ≤ x < 3/4,
4(1 − x), si 3/4 ≤ x ≤ 1.

Los puntos fijos son:
x = 0, x = 2/5, x = 2/3, x = 4/5.
Como x = 0 y x = 2/3 son puntos fijos de T (x), el 2-ciclo está formado por
{2/5, 4/5}.
39
Gráfica de T 2 (x)
Por último vamos a calcular los puntos de periodo 3. Tenemos:



 8x, si 0 ≤ x < 1/8,
2 − 8x, si 1/8 ≤ x < 1/4,




8x − 2, si 1/4 ≤ x < 3/8,




4 − 8x, si 3/8 ≤ x < 1/2,

T 3 (x) = (3.5)

 8x − 4, si 1/2 ≤ x < 5/8,
6 − 8x, si 5/8 ≤ x < 3/4,




8x − 6, si 3/4 ≤ x < 7/8,




8(1 − x), si 7/8 ≤ x ≤ 1.

Los puntos fijos son:
x = 0, x = 2/9, x = 2/7, x = 4/9, x = 4/7, x = 2/3, x = 6/7, x = 8/9.

Como ya sabemos, x = 0 y x = 2/3 son puntos fijos de T (x), ası́ que los
puntos restantes son los de periodo 3. Nos quedan dos 3-ciclos:
{2/7, 4/7, 6/7} y {2/9, 4/9, 8/9}.
Por lo tanto, como la función T tiene puntos de periodo 3 podemos afirmar

que es caótica en el sentido de Li y Yorke.
40
Gráfica de T 3 (x)
Por último, al igual que hicimos con la ecuación logı́stica, presentamos el

diagrama de bifurcación de la función Tent map.
Propiedades de T
En este apartado vamos a probar de forma directa que la función T es
caótica en el sentido de Devaney. Vamos a seguir [4] y [5].
En primer lugar calcularemos de forma explı́cita los puntos periódicos de T .
41
Teorema 3.2.1 Un punto x ∈ [0, 1] es un punto periódico de T si y solo si

x es un número racional de la forma m/p con m par y p impar, 0 < m < p.
Demostración
⇒) Sea n ∈ N.
En general, tenemos

n 2i 2i + 1
2 x − 2i, si x ∈ n , ,


2 2n



T n (x) =

 n 2i + 1 2i + 2
 2(i + 1) − 2 x, si x ∈ , ,


2n 2n
donde i = 0, 1, ..., 2n−1 .
Los puntos periódicos de T son las soluciones de:
x = 2n x − 2i ó x = 2(i + 1) − 2n x con i = 0, 1, ..., 2n−1 .
Resolvemos:
2i
x = 2n x − 2i ⇒ (2n − 1)x = 2i ⇒ x = ,
−1 2n
2(i + 1)
x = 2(i + 1) − 2n x ⇒ (2n + 1)x = 2(i + 1) ⇒ x = n .
2 +1
Por lo tanto hemos obtenido que los puntos periódicos de T son de la forma:
2i 2(i + 1)
x= ó x = n con i = 0, 1, ..., 2n−1 ,
2n −1 2 +1
y claramente ambos son números racionales de la forma m/p con m par y p
impar.
⇐) Supongamos x = m/p ∈ [0, 1] con m = 2k y p impar. Queremos probar
que x es un punto periódico de T y sabemos que los puntos periódicos de T
2i 2(i + 1)
son de la forma n ó n con i = 0, 1, ..., 2n−1 − 1 , ası́ que lo que
2 −1 2 +1
tenemos que probar es que x se puede expresar de una de esas formas.
Por el Teorema de Euler, 2ϕ(p) = 1(mod p) ⇒ ∃t ∈ N tal que 2ϕ(p) = pt+1 ⇒
2ϕ(p) − 1 = pt. Por tanto
m mt 2kt
x= = ϕ(p) = ϕ(p) ,
p 2 −1 2 −1
con k < p/2. Además
k ϕ(p) 2ϕ(p) − 1
kt = (2 − 1) < ≤ 2ϕ(p)−1 − 1.
p 2
42
2i
Por lo tanto, tenemos que x es de la forma con n = ϕ(p) e i = kt ≤
2n
−1
2n−1 − 1 = 2ϕ(p)−1 − 1. Ası́ queda probado que x es un punto periódico de
T.
Vamos a probar que T cumple las condiciones requeridas en la definición de
función caótica dada por Devaney.
Proposición 3.2.1 T tiene dependencia sensible de las condiciones iniciales

en [0, 1].
Demostración:
j
En primer lugar veremos que si v es un número de la forma v = m con
2
j, m ∈ N, es decir, un número diádico (ver Anexo C) y w es un número
irracional, ambos en [0,1], entonces existe n ∈ N tal que
|T n (v) − T n (w)| > 1/2.

j
Si v = m irreducible, j no puede ser un número par, por lo tanto tiene que
2
ser j = 2i + 1.
Ası́ que tenemos:
T m (v) = j − 2i = 2i + 1 − 2i = 1.
Ası́ que T m (v) = 1 ⇒ T m+k (v) = 0.
(Si T m (v) = 1 ⇒ T m+1 (v) = 2(1 − 1) = 0 ⇒ T m+k (v) = 0, k > 0).
Por otro lado, si w ∈ [0, 1] es un número irracional, tiene que existir n > m
tal que T n (w) > 1/2. Vamos a verlo.
Supongamos que T m (w) = p < 1/2 ⇒ T m+1 (w) = T (T m (w)) = 2p.
Si 2p > 1/2 ya hemos encontrado n = m + 1.
Si 2p < 1/2 seguimos aplicando T :
T m+2 (w) = T (T m+1 (w)) = T (2p) = 4p,

T m+3 (w) = T (T m+2 (w)) = T (4p) = 8p,
y ası́ sucesivamente hasta alcanzar un ı́ndice i para el cual T m+i (w) > 1/2 y
ası́ tendremos n = m + i.
Por otro lado, si T m (w) = q > 1/2 ⇒ T m+1 (w) = T (T m (w)) = 2(1 − q).
Si 2(1 − q) > 1/2, ya tenemos n = m + 1.
Si 2(1 − q) < 1/2 seguimos un proceso análogo al caso anterior hasta obtener
T m+i (w) > 1/2.
Como n > m, tenemos que T n (v) = 0, ası́ que se cumple
43
|T n (v) − T n (w)| > 1/2.
Ahora, sean x ∈ [0, 1] y δ > 0. Entonces, por la densidad de los diádicos,

existen un número diádico v y un irracional w en [0,1] tales que
|x − v| < δ y |x − w| < δ.
Como |T n (v) − T n (w)| > 1/2 tenemos que
|T n (x) − T n (v)| > 1/4 ó |T n (x) − T n (w)| > 1/4,
ya que:
1/2 < |T n (v) − T n (x) + T n (x) − T n (w)| ≤ |T n (v) − T n (x)| + |T n (x) − T n (w)|
= |T n (x) − T n (v)| + |T n (x) − T (n) (w)| ⇒
|T (n) (x) − T (n) (v)| > 1/4 ó |T n (x) − T n (w)| > 1/4.
Ası́ que si tomamos ε = 1/4 hemos probado la dependencia de las condiciones
iniciales de T en [0, 1].
Proposición 3.2.2 Los puntos periódicos de T son densos en [0, 1].
Demostración:
Sea (a, b) ⊂ [0, 1] un intervalo abierto cualquiera. Queremos probar que exis-
te un punto periódico de T en (a, b), es decir, que ∃ mp con m, p ∈ N, m par
y p impar, tal que a < mp < b.
Sea p un entero positivo impar lo suficientemente grande para que p1 < b−a 2
y tomamos un entero positivo m tal que mp ∈ (a, a+b 2
).
Si m es par tenemos que mp es un punto periódico de T y se cumple a < mp < b.
Si m es impar, tomamos m+1 p
un punto periódico de T y nos queda que
m+1 a+b b−a m+1
p
< 2 + 2 = b ⇒ a < p < b.
Proposición 3.2.3 T es topológicamente transitiva en [0, 1].
Demostración:
Sean U1 , U2 ⊂ [0, 1] dos subintervalos abiertos cualesquiera. Para n suficien-
temente grande y para algún k, U1 contiene un intervalo de la forma [ 2kn , k+1
2n
].
Por lo tanto T n hace corresponder U1 con [0, 1] que contiene a U2 . Por otro
lado, ya hemos visto que los puntos periódicos de T son densos. Veamos que
esto implica que los puntos periódicos de T n también lo son. Si x es un punto
periódico de T n , entonces existe m tal que T nm (x) = x y x 6= T nk (x) para
44
1 ≤ k < m. Esto es lo mismo que decir que x es un punto periódico de T

de periodo nm. Por lo tanto los puntos periódicos de T n son densos. Ası́ que
por la densidad de los puntos periódicos de T n tiene que existir un punto
periódico x ∈ U1 tal que T n (x) ∈ U2 .
Ası́ que T cumple las tres condiciones necesarias para que una función sea
caótica. Por lo tanto
Teorema 3.2.2 T es una función caótica en [0,1] en el sentido de Devaney.

Capı́tulo 4
Control del Caos
Como ya hemos visto a lo largo de este trabajo, los resultados proporcio-

nados por un sistema caótico no son aleatorios, sino que vienen dados por
un proceso ordenado y determinista. Los sistemas dinámicos se utilizan pa-
ra modelar procesos de la ciencia, tanto naturales como tecnológicos. En un
principio, la presencia de comportamiento caótico se consideraba una des-
ventaja y se trataba de evitarlo por todos los medios. Sin embargo, estudios
recientes han demostrado que en ciertos sistemas la presencia de comporta-
miento caótico es incluso deseable. En la última década ha habido un avance
considerable en el campo del control del caos y han surgido métodos con
aplicaciones a diversas áreas, como la fı́sica, quı́mica o medicina (circuitos
eléctricos, reacciones quı́micas oscilatorias, cardiologı́a,...). Como ejemplo po-
demos presentar el control aplicado a las arritmias. Se han implementado
formas de monitorizar el corazón de manera que mediante pequeños pulsos
eléctricos se controle la fibrilación y el corazón vuelva a su estado normal.
De hecho, se conjetura que un corazón con comportamiento caótico es más
saludable que uno que late de forma periódica.
En esta última sección vamos a presentar de forma breve un método para
sencillo el control del caos, aplicable a sistemas discretos unidimensionales.
La ventaja que tienen los sistemas caóticos a la hora de controlar su com-
portamiento es que por su dependencia de las condiciones iniciales mediante
pequeñas perturbaciones podemos alcanzar nuestro objetivo.
Lo que buscamos es dirigir la órbita de un punto inicial x0 a nuestro objetivo
b lo más rápido que sea posible y utilizando solo pequeñas perturbaciones en
los parámetros. Para ello, consideramos un parámetro inicial r0 y restringire-
mos su perturbación al rango (r0 − δrmax , r0 + δrmax ), donde δrmax representa
la máxima variación que vamos a permitir al valor del parámetro r0 .
La forma en la que vamos a hallar el r ∈ (r0 −δrmax , r0 +δrmax ) que buscamos
es la siguiente:
45
46
En primer lugar tenemos que encontrar el mı́nimo m ∈ N de forma que

b ∈ [α, β] donde
α = min{frm0 (fr0 −δrmax (x0 )), frm0 (fr0 +δrmax (x0 ))}.
β = max{frm0 (fr0 −δrmax (x0 )), frm0 (fr0 +δrmax (x0 ))}.
Después, tendremos que resolver la ecuación

frm0 (fr (x0 )) = b,
y de esta forma tendremos calculado el parámetro r que buscamos.
Vamos a presentar el método mediante un ejemplo práctico, siguiendo los
pasos dados en [15]. Tomaremos la función logı́stica, dada por:
fr = rx(1 − x),
con punto inicial x0 = 0,87 y parámetro r0 = 3,95. Según lo que hemos
estudiado anteriormente, para este valor del parámetro la función logı́stica
tiene comportamiento caótico. A continuación presentamos la gráfica de sus
resultados a lo largo de 100 iteraciones.
47
Ahora vamos a ver cómo controlar el comportamiento de esta función. Nos

marcaremos el siguiente objetivo:
Comenzando con el punto inicial x0 = 0,87, queremos controlar su órbita
para que alcance un 2-ciclo tan rápido como sea posible, usando una única
perturbación δr ≤ 0,02 del parámetro r0 = 3,95.
Primera fase
Realizaremos el proceso en una serie de pasos:
0)Calculamos el rango de perturbación
r ∈ (r0 − δrmax , r0 + δrmax ) = (3,95 − 0,02, 3,95 + 0,02) = (3,93, 3,97).
1) Hallamos los puntos que forman el 2-ciclo
De acuerdo a lo estudiado en la sección de la ecuación logı́stica, un 2-ciclo
está formado por los puntos:
p
r0 + 1 ± (r0 − 3)(r0 + 1)
2r0
y sustituyendo con los valores de nuestro ejemplo obtenemos los puntos:
0,3520854628... y 0,9010790942...
2) Escogemos uno de los puntos del 2-ciclo como objetivo

No importará cuál de los dos puntos elijamos porque si conseguimos que la
órbita de x0 se aproxime a uno de ellos, en la siguiente iteración de la fun-
ción se aproximará al otro. Por lo tanto, sin pérdida de generalidad, vamos
a tomar como objetivo b = 0,3520854628...
3)Encontrar un intervalo que contenga a b usando una única per-

turbación inicial δr
Lo haremos de la siguiente manera:
Calculamos los valores de f (x0 ) para r = 3,93 y r = 3,97, esto es, para los
extremos del rango de perturbación:
f3,93 (0,87) = 0,444483,
f3,97 (0,87) = 0,449007.

Como b ∈/ (0,444483, 0,449007) no hemos encontrado una buena cota para la
perturbación del parámetro.
Continuamos con el siguiente proceso:

Calculamos los valores de fr0 (fr0 −δrmax (x0 )) y fr0 (fr0 +δrmax (x0 )) y vemos si b
48
se encuentra en el intervalo dado por esos dos valores. Si no es ası́, iteramos

hasta conseguir un intervalo al que pertenezca b = 0,3520854628....
De esta forma, tenemos:
f3,95 (f3,93 (0,87)) = 0,9753255577... y f3,95 (f3,97 (0,87)) = 0,9772288701... ⇒
⇒ no contiene a b.
2 2
f3,95 (f3,93 (0,87)) = 0,09505917605... y f3,95 (f3,97 (0,87)) = 0,08789779187... ⇒
3 3
f3,95 (f3,93 (0,87)) = 0,3397905699... y f3,95 (f3,97 (0,87)) = 0,3166784917... ⇒
Seguimos iterando y obtenemos finalmente que
8 8
b ∈ (f3,95 (f3,93 (0,87)), f3,95 (f3,97 (0,87)) = (0,1881983001..., 0,6287084802...).
Ası́ que por el teorema del Valor Medio, tiene que existir un valor para δr tal
que r = r0 + δr y r ∈ (r0 − δrmax , r0 + δrmax ) para el cual fr80 (fr (x0 )) alcance
exactamente el valor b, debido a la continuidad de la función respecto del
parámetro r.
Ası́ que tenemos que resolver la ecuación
8
f3,95 (fr (0,87)) = 0,3520854628...,
para obtener el parámetro r que buscamos.

Resolvemos con Matlab mediante el método numérico f solve, usando como
semilla el valor r0 = 3,95, ya que sabemos que el parámetro r que estamos
buscando tiene que ser muy cercano al valor de r0 . Obtenemos:
r = 3,9489232466323...
A continuación vamos a presentar dos gráficas. En el eje de abcisas represen-

tamos el número de iteraciones y en el de ordenadas el valor que toma la fun-
ción en cada iteración. Al perturbar el valor inicial del parámetro r0 = 3,95
a r = 3,9489232466323..., conseguimos que la función con el punto inicial
x0 = 0,87 alcance el punto b = 0,3520854628... en nueve iteraciones. Esto
es común en ambas gráficas, sin embargo vamos a ver que entre ellas hay
diferencias en cuanto al número de iteraciones en el que se mantiene estable
el 2-ciclo:
49
Gráfica 1
Gráfica 2
50
En la gráfica 1, una vez que se alcanza el 2-ciclo, se mantiene estable hasta

la iteración 25 aproximadamente, mientras que en la gráfica 2 se mantiene
casi hasta la iteración 60. Esto se debe al comportamiento caótico de la fun-
ción logı́stica y al error que viene asociado a los cálculos realizados de forma
numérica. En la gráfica 1, hemos tomado 10−6 como tolerancia para el va-
lor de x y de f , que es el que utiliza Matlab por defecto. Como ya hemos
visto, el resultado que hemos obtenido no es demasiado bueno. En la gráfica
2, hemos tomado 10−14 como tolerancia para el valor de x y de f . Por lo
tanto hemos reducido el error más del doble que en el caso anterior. Esta es
una manera muy clara de ver cómo los cambios en las condiciones iniciales,
aunque sean muy pequeños, influyen en los resultados, haciendo que difieran
en gran medida unos de otros.
Segunda fase: estabilización

Hemos conseguido que nuestro punto inicial x0 = 0,87 alcance el punto ob-
jetivo b en nueve iteraciones. Sin embargo, como ya hemos observado en las
gráficas anteriores, al cabo de un número determinado de iteraciones la fun-
ción abandona el 2-ciclo. Esto se debe a que los puntos que forman el 2-ciclo
son inestables (ya vimos en la sección de la ecuación logı́stica
√ que los pun-
tos que forman un 2-ciclo son inestables para r > 1 + 6 ' 3,449489..., lo
cual es nuestro caso). Lo que vamos a ver en esta sección es cómo podemos
ir reajustando el valor de nuestro parámetro para que el 2-ciclo que hemos
alcanzado se mantenga estable durante todo el tiempo que queramos.
Vamos a trabajar con los valores de la Gráfica 2, que es la que nos da el mejor
resultado. En primer lugar vamos a tomar como punto inicial para nuestro
reajuste uno que esté cercano al punto b que nos habı́amos marcado como
objetivo. En este caso vamos a tomar el valor de la función en la iteración
i = 49: x49 = 0,351915323282502. Ahora que ya tenemos el punto inicial x49
y el objetivo b, vamos a realizar el mismo proceso que en el paso 3) de la
primera fase.
f3,93 (x49 ) = 0,896318749089394...

f3,97 (x49 ) = 0,905441586230253...
y como b ∈
/ (0,896318749089394..., 0,905441586230253...) hacemos:
f3,95 (f3,93 (x49 )) = 0,367079224024862...
f3,95 (f3,97 (x49 )) = 0,338187624612631...

y tenemos que b ∈ (0,338187624612631..., 0,367079224024862...).
Por lo tanto, de forma análoga a la primera fase, tenemos que resolver la
51
ecuación
f3,95 (fr (x49 ) = 0,3520854628...,
para calcular el nuevo parámetro r. Utilizamos de nuevo f solve de Matlab y
obtenemos r = 3,950872213510738...
A continuación vamos a presentar la gráfica que une los pasos de la primera
fase y de la segunda. Vamos a ver que el 2-ciclo que alcanzamos en la pri-
mera fase se va a mantener estable hasta aproximadamente la iteración 90,
mientras que antes se desestabilizaba en torno a la iteración 50.
Gráfica 3, unión de la primera y segunda fase
En el Anexo D presentamos el programa Matlab con el que se ha realizado

numéricamente el proceso descrito en este capı́tulo.
Anexo A
Propiedades del sistema de

Lorenz
A continuación vamos a realizar un estudio de alguna de las propiedades

que presenta el sistema de Lorenz siguiendo [4] y también lo visto en la
asignatura “Teorı́a cualitativa de EDO”del Grado en Matemáticas.
Proposición A.0.1 Sus soluciones son simétricas.

Si (x(t), y(t), z(t)) es una solución, también lo es (−x(t), −y(t), z(t)).
Demostración: Sea (x(t), y(t), z(t)) una solución. Entonces
x0 (t) = σ(y(t) − x(t)) ⇒ −x0 (t) = σ(−y(t) − (−x(t))),
y 0 (t) = rx(t) − y(t) − x(t)z(t) ⇒ −y 0 (t) = r(−x(t)) − (−y(t)) − (−x(t)z(t)),

z 0 (t) = x(t)y(t) − bz(t) ⇒ z 0 (t) = −x(t)(−y(t)) − b(z(t)).
Ası́ que (−x(t), −y(t), z(t)) también es solución del sistema.
Ahora vamos a calcular los puntos crı́ticos del sistema de Lorenz.
x0 = σ(y − x) = 0 ⇒ y = x,

0 x = 0,
y = rx − y − xz = 0 ⇒ x(r − 1 − z) = 0 ⇒
z = r − 1,
√
z 0 = xy − bz = 0 ⇒ x2 = bz ⇒ x = ± bz.
Ası́ que nos queda:
Si x = 0 ⇒ y = 0 y z = 0. p
Si z = r − 1 ⇒ x = y = ± b(r − 1), que es real cuando r > 1.
Por lo tanto, cuando r < 1 el único punto crı́tico es el origen y cuando r > 1
52
53
hay tres puntos crı́ticos:
p1 = (0, 0, 0),
y p p
p2,3 = (± b(r − 1), ± b(r − 1), r − 1).
Veamos cuándo es estable el origen.

En primer lugar linealizamos el sistema:
   
−σ σ 0 −σ σ 0
JF =  r − z −1 −x  ⇒ JF (p1 ) =  r −1 0  .
y x −b 0 0 −b
Vamos a calcular el polinomio caracterı́stico y veremos cuándo es estable.

λ + σ −σ 0

|λI − JF (p1 )| = −r λ + 1 0 = (λ + σ)(λ + 1)(λ + b) − rσ(λ + b) =
0 0 λ+b
= (λ + b)(λ2 + (σ + 1)λ + σ(1 − r)).
Para que sea estable, todas sus raı́ces deben tener parte real negativa.
λ + b = 0 ⇒ λ = −b que es siempre negativo ya que b > 0. Por otro lado
tenemos el factor λ2 + (σ + 1)λ + σ(1 − r) que tiene grado dos y sabemos que
un polinomio de grado dos es estable si y solo si todos sus coeficientes tienen
el mismo signo. En nuestro caso:
a2 = 1 > 0, a1 = σ + 1 > 0 ya que σ > 0 y solo nos queda a0 = σ(1 − r) >
0 ⇐⇒ 1 − r > 0 ⇐⇒ r < 1.
Por lo tanto, el origen es estable cuando 0 < r < 1. Ahora vamos a ver
cuándo son estables p2 y p3 . En primer lugar linealizamos el sistema:
−σ
 
σ p 0
JF (p2 ) =  p 1 p −1 − b(r − 1)  .
b(r − 1) b(r − 1) −b
Ahora vamos a calcular el polinomio caracterı́stico:

λ+σ −σ p 0

|λI − JF (p2 )| = p −1

pλ + 1 b(r − 1) =

− b(r − 1) − b(r − 1) λ+b
= λ3 + (σ + b + 1)λ2 + b(σ + r)λ + 2bσ(r − 1).

54
Vamos a utilizar el criterio de Routh-Hurwitz para ver cuándo es estable este

polinomio caracterı́stico.
Consideramos la matriz de Routh-Hurwitz:
 
σ+b+1 1 0
A =  2bσ(r − 1) b(σ + r) σ + b + 1  .
0 0 2bσ(r − 1)
Tenemos que ver para qué valores de r son positivos todos los menores prin-
cipales de A.
|A1 | = σ + b + 1 > 0 ya que σ > 0 y b > 0.

σ+b+1 1
|A2 | =
= b(σ 2 + (r + b + 1)σ + r(b + 1)) − 2bσ(r − 1).
2bσ(r − 1) b(σ + r)
Si operamos para ver
cuándo nosqueda mayor que cero, resulta que
σ+b+3
A2 > 0 cuando r < σ .
σ−b−1
Por último
|A3 | = |A| = 2bσ(r − 1)|A2 |,
y como |A2 | > 0, entonces tiene que ser 2bσ(r − 1) > 0⇒ r > 1.
σ+b+3
Ası́ que nos queda que p2 es estable cuando 1 < r < σ .
σ−b−1
Análogamente se prueba que p3 es estable para los mismos valores de r.
Con esto hemos obtenido mayor información sobre el atractor de Lorenz.
Las trayectorias se mueven en espiral alrededor de los puntos crı́ticos p2 y
p3 . Además también hemos probado que efectivamente las soluciones son
simétricas con eje de simetrı́a z.
Anexo B
El teorema de Euler
En Teorı́a de Números, este Teorema afirma una proposición sobre la

divisibilidad de números enteros.
Función ϕ de Euler
Si n es un número entero positivo, se define ϕ(n) como el número de enteros
positivos menores o iguales a n y primos relativos con n, esto es:
ϕ(n) = |{m ∈ N : m ≤ n y mcd(n, m) = 1}|.
De acuerdo con esta definición, tenemos las siguientes propiedades:

1. La función ϕ viene dada de la siguiente forma:

p − 1, si p es primo,
ϕ(p) =
(q − 1)q k−1 , si p = q k con q primo.
2. Es una función multiplicativa, esto es, si m y n son primos relativos,

ϕ(mn) = ϕ(m)ϕ(n).
Vamos a ver con un ejemplo que esto se cumple.
Tomamos n = 18 = 2 · 32 . Los enteros positivos menores que 18 y primos
relativos con él son {1, 5, 7, 11, 13, 17}, entonces utilizando la definición nos
queda que ϕ(18) = 6. Ahora vamos a ver que obtenemos lo mismo utilizando
las propiedades de la función.
ϕ(18) = ϕ(2)ϕ(32 ) = (2 − 1)(3 − 1)32−1 = 6.
Ahora que ya conocemos la función ϕ podemos pasar a enunciar el teorema.

Teorema B.0.1 (Teorema de Euler, [10])
Si a y n son enteros primos relativos, entonces aϕ(n) − 1 es divisible por n,
esto es, aϕ(n) = 1 (mod n).
55
56
Una aplicación de Teorema de Euler es la resolución de ecuaciones de con-

gruencia. En teorı́a de números, se dice que dos números a, b son congruentes
respecto a un módulo n, cuando n divide al entero a − b.
Veamos un ejemplo que ilustre esto.
Tenemos la ecuación 2x ≡ 5 (mod 7) y queremos hallar sus soluciones.
El Teorema de Euler nos dice que 2ϕ(7) ≡ 1 (mod 7) ⇒ 26 ≡ 1 (mod 7).
Ahora, tomamos nuestra ecuación y multiplicamos a ambos lados por 25 :
25 2x = 25 5 = 160 ≡ 6 (mod 7) ⇒ 26 x ≡ 6 (mod 7) ⇒ x ≡ 6 (mod 7).
Vamos a verificar el resultado con un caso concreto:

Tomamos x = 27 ≡ 6 (mod 7) ⇒ 2 · 27 = 54 ≡ 5 (mod 7).
Como caso particular del teorema de Euler podemos presentar el pequeño

teorema de Fermat.
Teorema B.0.2 (Pequeño teorema de Fermat)

Si p es un número primo, entonces para cada número natural a primo relativo
con p se cumple que ap−1 ≡ 1 (mod p).
Claramente se trata de un caso particular del teorema de Euler, ya que en

este caso al ser p un número primo, ϕ(p) = p − 1 y entonces aϕ(p) = ap−1 ≡
1 (mod p).
Una de las aplicaciones más interesantes de este teorema es el test de pri-
malidad de Fermat.Este teorema establece una condición necesaria para que
un número sea primo: es necesario que ∀a ∈ N, a < p, ap−1 − 1 sea divisible
por p (es decir, ap−1 ≡ 1 (mod p)). Por lo tanto, si p es primo la congruencia
se cumplirá siempre, mientras que si para algún valor a la congruencia no se
cumple entonces p no es primo.
Anexo C
Los números diádicos
Un número diádico es un número real que se puede expresar como cociente

de dos números naturales, donde el denominador es potencia de 2. El conjunto
de los números diádicos en [0, 1] se denota por D y tiene la siguiente forma:
nm o
k
D= : k ∈ N, m = {0, 1, 2, ..., 2 } .
2k
Vamos a probar que D es denso en [0, 1].
Tenemos que probar que ∀a, b ∈ [0, 1] tales que a < b, ∃m ∈ {0, 1, 2, ..., 2k } y
m
k ∈ N tal que a < k < b.
2
1
Tomamos k suficientemente grande para que k < b − a. Sea n0 el menor
2
k n0
entero tal que n0 > 2 a ⇒ k > a.
2
n0
Falta probar que k < b. Por reducción al absurdo supongamos que no es
2
n0
ası́, entonces tendrı́amos k ≥ b. Luego
2
(n0 − 1) n0 1 1
= − ≥ b − ≥ b − (b − a) = a.
2k 2k 2k 2k
Ası́ que hemos obtenido que (n0 − 1) > 2k a y esto es una contradicción ya
que definimos n0 como el menor entero que cumple n0 > 2k a.
n0 n0
Por lo tanto k < b y entonces a < k < b.
2 2
Ası́ queda probado que el conjunto D es denso en [0, 1].
57
Anexo D
Código Matlab para control del

caos
A continuación presentamos el código en Matlab que hemos utilizado pa-

ra realizar la primera y segunda fase de control del comportamiento de la
ecuación logı́stica visto en el Capı́tulo 4.
Listing D.1: Control Caos
x0 = 0 . 8 7 ; r 0 = 3 . 9 5 ;
t o l =1e −14;
o p c i o n e s=o p t i m o p t i o n s ( ’ f s o l v e ’ , ’ TolFun ’ , t o l , ’ TolX ’ , t o l )
x ( 1 )= f s o l v e ( ’ f 9 ’ , r0 , o p c i o n e s ) ∗x0∗(1−x0 ) ;
% Primera f a s e
for i =1:48
x ( i +1)=r 0 ∗x ( i ) ∗(1−x ( i ) ) ;
end
% Segunda f a s e
x ( 5 0 )=f s o l v e ( ’ f 2 ’ , r0 , o p c i o n e s ) ∗x ( 4 9 ) ∗(1−x ( 4 9 ) ) ;
for i =1:50
x ( i +50)=r 0 ∗x ( i +49)∗(1−x ( i +49) ) ;
end
plot ( x )
Las funciones que hemos utilizado son las siguientes:
58
59
Listing D.2: f9
function f 9=f 9 ( r )
x0 = 0 . 8 7 ;
r0 =3.95;
b=( r 0+1−sqrt ( ( r0 −3) ∗( r 0 +1) ) ) /(2∗ r 0 ) ;
f 9= l o g i s t i c ( x0 , r ) ;
for i =1:8
f 9= l o g i s t i c ( f9 , r 0 ) ;
end
f 9=f9−b ;
Listing D.3: f2
function f 2=f 2 ( r )
r0 =3.95;
b=( r 0+1−sqrt ( ( r0 −3) ∗( r 0 +1) ) ) /(2∗ r 0 ) ;
f 2= l o g i s t i c ( 0 . 3 5 1 9 1 5 3 2 3 2 8 2 5 0 2 , r ) ;
f 2= l o g i s t i c ( f2 , r 0 )−b ;
Listing D.4: logistic

function f= l o g i s t i c ( x , r )
f=r . ∗ x .∗(1 − x ) ;
Bibliografı́a
[1] M.P. Ramı́rez Tachiquı́n, Teorı́a del Caos: una visión de su historia
y actualidad, Revista del Centro de Investigación. Universidad La Salle,
Vol. 9, No. 34, pp. 41-47, 2010.
[2] E.Lorenz, Deterministic nonperiodic flow, Journal of the Atmospheric

Sciences, Vol. 20, pp. 130-141, 1963.
[3] D. Gonze, The logistic equation, 2015,

http://homepages.ulb.ac.be/∼dgonze/TEACHING/logistic.pdf.
[4] J. Guo, Analysis of chaotic systems, 2014,

http://math.uchicago.edu/∼may/REU2014/REUPapers/Guo.pdf.
[5] W.F. Hassan Al-shameri, M. Abdulkawi Mahiub, Some Dyna-

mical Properties of the Family of Tent Maps, International Journal of
Mathematical Analysis, Vol. 7, No. 29, pp. 1443-1449, 2013.
[6] T.Y. Li, J.A. Yorke, Period Three Implies Chaos, The American Mat-
hematical Monthly, Vol.82, No. 10, pp. 985-992, 1975.
[7] J.P. Mutanguha, Period three implies chaos, 2016,

http://euler.genepeer.com/period-three/.
[8] N. Dewaele, An explanation of Period Three implies Chaos, 2011,

http://www.siue.edu/∼aweyhau/teaching/seniorprojects/dewaele final.pdf.
[9] J.L. López Fernández, Un criterio de estabilidad para las soluciones

constantes de xn+1 = f (xn ) basado en el estudio de f 0 , 2011,
http://www.ugr.es/∼jllopez/Clase5.pdf.
[10] J.B. Fraleigh, A first course in abstract algebra, 1999, Ed.Addison

Wesley, 6a edición.
60
61
[11] R.L.Devaney, An introduction to chaotic dynamical systems, 1989,

Ed.Addison Wesley.
[12] J.Banks, J.Brooks, G.Cairns, G.Davis, P.Stacey, On Devaney’s

definition of chaos, The American Mathematical Monthly, Vol. 99, No.4,
pp. 332-334, 1992.
[13] S.L. Salas, E. Hille, G.J. Etgen, Calculus, una y varias variables,
volumen I, 2002, Ed. Reverté, 4a edición.
[14] M. Spivak, Calculus, cálculo infinitesimal, 1990, Ed. Reverté, 2a edi-

ción.
[15] E.M. Bollt, Controlling the chaotic logistic map, Primus, Vol. 7, No.
1, pp. 1-17, 1997.

Fomperosa Briz Maria Fatima

Cargado por

Copyright:

Formatos disponibles

Fomperosa Briz Maria Fatima

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Fomperosa Briz Maria Fatima

Cargado por

Copyright:

Formatos disponibles

FACULTAD

Trabajo de fin de Grado

Autora: Marı́a Fátima Fomperosa Briz

2. Caos en sistemas dinámicos discretos 10

3. Estudio de algunos sistemas dinámicos discretos 31

4. Control del Caos 45

A. Propiedades del sistema de Lorenz 52

C. Los números diádicos 57

D. Código Matlab para control del caos 58

El término caos siempre ha tenido connotaciones negativas en el lengua-

de provocar un tornado en Tejas. Desde luego, esto no puede entenderse de

donde σ > 0, r > 0, b > 0 son parámetros.

En azul la solución de x para condición inicial (x0 , y0 , z0 ) = (7, 7, 7). En verde,

Como podemos observar en la gráficas, en un principio las soluciones con

Atractor de Lorenz representado sobre el plano xz

Si observamos la figura, podemos ver que las trayectorias se mueven en espira-

Como acabamos de ver, Lorenz estudió el comportamiento caótico de un

En el presente trabajo vamos a centrarnos en el estudio de sistemas dinámi-

caótico en el sentido de Devaney.

Caos en sistemas dinámicos

Definición 2.1.1 1. La órbita de x, a la que denotaremos como O(x),

2. x es un punto fijo de f si x = f (x).

3. x es un punto de periodo n para f si x = f n (x) y x 6= f k (x) para

4. Se dice que x es un punto periódico para f si es un punto de periodo

5. Un p-ciclo de f es un conjunto de p elementos {a1 , ..., ap } tales que

f (a1 ) = a2 , f (a2 ) = a3 , ..., f (ap ) = a1 .

2.2. Algunos teoremas importantes

Teorema 2.2.3 (Teorema del valor medio para derivadas, [14])

A continuación veremos una proposición que nos proporciona un método muy

Proposición 2.3.1 Sea f una función de clase C 1 y sea x0 un punto fijo de

f (x) − f (x0 ) f (x) − x0

|f (x) − x0 | = |f 0 (c)||x − x0 | < K|x − x0 | < |x − x0 | < δ ⇒ f (x) ∈ I.

Ahora, repetimos el mismo argumento cambiando x por f (x):

|f 2 (x) − x0 | < K|f (x) − x0 | < K 2 |x − x0 | < |x − x0 | < δ ⇒ f 2 (x) ∈ I.

Por inducción obtenemos que

|f n (x) − x0 | < K n |x − x0 | < |x − x0 | < δ ⇒ f n (x) ∈ I ∀n

b) Sea |f 0 (x)| = v > 1 y escogemos K tal que 1 < K < v.

f (x) − f (x0 ) f (x) − x0

y como K > 1, K n −→ +∞ cuando n −→ +∞. Por lo tanto

limn→∞ |f n (x) − x0 | = +∞.

En esta situación utilizaremos la definición. Vamos a tomar un punto y que

f : [−1, 1] → [−1, 1] dada por f (x) = −x.

El único punto fijo de esta función es x = 0. Además

entorno de x = 0, los valores de la función se alternan entre y y −y, pero no

2.4. Definición de función caótica

2. Dependencia sensible de las condiciones iniciales

|x − y| < δ y |f n (x) − f n (y)| > ε.

Definición 2.4.2 Sea f una función de un intervalo I = [a, b] en sı́ mismo.

Está claro que toda función caótica en el sentido de Devaney lo es también

|x − ỹ| < δ y |f n (x) − f n (ỹ)| > ε.

Por otro lado tenemos que f es continua, por lo tanto f n también lo es y

y ∈ I, |x − y| < δn ⇒ |f n (x) − f n (y)| < ε.

Teorema 2.4.1 Si f : I → I es topológicamente transitiva y tiene pun-

d(O(q1 ), O(q2 )) = miny1 ∈O(q1 ),y2 ∈O(q2 ) |y1 − y2 | = ε0 .

Entonces, para y1 ∈ O(q1 ), y2 ∈ O(q2 ), por la desigualdad triangular tenemos:

|y1 − y2 | = |y1 − x + x − y2 | ≤ |y1 − x| + |x − y2 |.

Tomando mı́nimos nos queda

ε0 = d(O(q1 ), O(q2 )) ≤ d(O(q1 ), x) + d(x, O(q2 )) ⇒

⇒ d(O(q1 ), x) ≥ ε0 /2 ó d(O(q2 ), x)| ≥ ε0 /2.